Výkon a profilování kódu – najděte, co je doopravdy pomalé

Nejčastější chyba při optimalizaci je optimalizovat to, co pomalé není. Intuice o výkonu bývá mylná – kód, který „vypadá“ neefektivně, často zabere zlomek času, zatímco skutečná brzda je jeden nevinný databázový dotaz ve smyčce. Proto platí: nejdřív měřit, pak měnit.

Postup v pěti krocích

Definujte cíl. „Stránka objednávek se načte do 300 ms“, ne „ať je to rychlejší“.
Změřte výchozí stav opakovatelně – stejná data, stejné prostředí.
Profilujte a najděte, kde se čas skutečně tráví.
Opravte jedno místo.
Změřte znovu a porovnejte. Pokud se nic nezlepšilo, změnu vraťte.

Rychlé měření

# Celkový čas příkazu
time python3 report.py

# Opakované měření s porovnáním (nástroj hyperfine)
hyperfine 'python3 report_old.py' 'python3 report_new.py'

V Pythonu pro malé úseky kódu modul timeit:

python3 -m timeit -s "data = list(range(10000))" "sum(x*x for x in data)"

U webu si změřte čas odpovědi:

curl -o /dev/null -s -w "TTFB: %{time_starttransfer}s, celkem: %{time_total}s\n" https://example.cz/objednavky

Profilování v Pythonu

cProfile – vestavěný profiler

python3 -m cProfile -s cumtime report.py | head -30

Sloupce, které vás zajímají:

ncalls – kolikrát se funkce zavolala (podezřele vysoká čísla = smyčka, která dělá víc, než má),
tottime – čas strávený přímo ve funkci,
cumtime – čas včetně volaných funkcí.

Pro vizualizaci uložte výstup a otevřete ho v nástroji snakeviz:

python3 -m cProfile -o profil.out report.py
pip install snakeviz && snakeviz profil.out

py-spy – profilování běžícího procesu

Výhoda py-spy: nepotřebuje měnit kód a lze ho připojit k produkčnímu procesu.

pip install py-spy
py-spy top --pid 12345                       # živý přehled jako top
py-spy record -o profil.svg --pid 12345      # flame graph

Připojení k běžícímu procesu obvykle vyžaduje sudo.

Jak číst flame graph

Osa X je podíl času (ne časová osa), osa Y je hloubka zásobníku. Široké bloky = kde se tráví čas. Hledejte široké „plošiny“ nahoře – to jsou funkce, které samy spotřebují nejvíc.

Profilování v Node.js

# Vestavěný V8 profiler
node --prof server.js
# … zatížit aplikaci, ukončit …
node --prof-process isolate-*.log > profil.txt

# CPU profil pro Chrome DevTools
node --cpu-prof app.js    # vytvoří soubor .cpuprofile

Soubor .cpuprofile otevřete v Chrome DevTools (záložka Performance) nebo ve VS Code. Případně node --inspect a profilování přímo z chrome://inspect.

Pro analýzu event loopu a vizuální flame grafy je užitečný balíček Clinic.js (npx clinic doctor -- node server.js, npx clinic flame -- node server.js).

Databáze: nejčastější viník

U webových aplikací je úzkým hrdlem velmi často databáze.

N+1 dotazů

# 1 dotaz na objednávky + N dotazů na zákazníky
for order in Order.objects.all():
    print(order.customer.name)

# Django: 1 dotaz s JOIN
for order in Order.objects.select_related("customer"):
    print(order.customer.name)

Pro vztahy many-to-many slouží prefetch_related. V SQLAlchemy joinedload / selectinload, v Laravelu with().

Jak N+1 odhalit: Django Debug Toolbar, django-silk, nebo prosté zalogování počtu dotazů na request.

EXPLAIN ANALYZE

EXPLAIN ANALYZE
SELECT * FROM orders WHERE customer_email = '[email protected]';

Pokud v PostgreSQL vidíte Seq Scan na velké tabulce s filtrem, který vrací pár řádků, chybí index:

CREATE INDEX CONCURRENTLY idx_orders_customer_email ON orders (customer_email);

CONCURRENTLY (PostgreSQL) nezamkne tabulku pro zápis, ale nelze ho spustit uvnitř transakce. V MySQL použijte EXPLAIN (od verze 8.0.18 i EXPLAIN ANALYZE). Pomalé dotazy v PostgreSQL najde rozšíření pg_stat_statements, v MySQL slow query log.

Typické opravy podle nálezu

Nález v profilu	Obvyklá oprava
Tisíce volání DB nebo API	Dávkové načtení, JOIN, cache
`in` na velkém seznamu ve smyčce	Převést seznam na `set` (O(1) místo O(n))
Opakovaný výpočet se stejným vstupem	`functools.lru_cache`, memoizace
Skládání řetězců `+=` ve smyčce	`"".join(casti)`
Načítání velkého souboru celého do paměti	Čtení po řádcích, generátory, streaming
Čekání na síť sekvenčně	Souběžné požadavky (`asyncio.gather`, `Promise.all`)
Pomalý dotaz	Index, omezit sloupce (`SELECT *` → potřebné sloupce), stránkování

Paměť

Pomalost bývá i důsledkem nadměrné spotřeby paměti. V Pythonu tracemalloc (vestavěný) nebo nástroj memray:

pip install memray
memray run report.py
memray flamegraph memray-report.py.*.bin

V Node.js pomůže snímek haldy (heap snapshot) v Chrome DevTools.

Varování na závěr

Profiler sám zpomaluje program – porovnávejte relativní podíly, ne absolutní časy.
Měřte s realistickými daty. Dotaz nad 100 řádky na vývojovém stroji se chová jinak než nad 10 miliony v produkci.
Čitelnost má hodnotu. Optimalizace, která ušetří 2 ms a znečitelní kód, se nevyplatí.

Výstup profileru nebo EXPLAIN ANALYZE můžete vložit do ColdHost AI a nechat si ho vysvětlit – pro složitější analýzu výkonu se hodí model Polaris.