Python程序CPU高通常因密集计算而非卡死，需区分代码计算、阻塞、轮询、GC或扩展拖累；可用top/strace查系统行为，signal traceback看线程堆栈，cProfile定位热点，警惕空循环、GIL争抢、高频GC及日志格式化开销。
Python 程序 CPU 使用率高，通常不是“卡死”而是“算得太猛”，定位关键在于区分是 Python 代码本身在密集计算，还是被阻塞、轮询、GC 或底层扩展拖累。下面分几个实用方向快速排查。
看进程和线程实际在做什么
先确认是不是 Python 进程真正在吃 CPU，而不是被系统或其它进程干扰：
- 用 top / htop 查看 PID 和 %CPU，记下高占用的 Python 进程 ID
-
用 pstree -p
或 ps -T -p 看它启了多少线程，哪些线程 CPU 高（Linux 下线程也显示为独立 LWP） -
用 strace -p
-c （短时间运行）看系统调用热点，比如大量 futex（线程争用）、sched_yield（忙等）、read/write（意外频繁 IO）
用 Python 自带工具抓帧分析
无需安装第三方包，直接从运行时入手：
- 用 signal + traceback 快速打印当前所有线程堆栈：向进程发 SIGUSR1（Linux/macOS）会自动打印到 stderr（需启用 faulthandler 或手动注册 handler）
- 用 threading.settrace() 或 sys.settrace() 临时加行级追踪（仅调试，性能开销大，不用于生产）
- 启动时加 -v 参数（python -v script.py）可观察模块导入是否异常重复或卡在某个 C 扩展初始化
用 cProfile 定位计算热点
适合明显“越跑越慢”或持续高 CPU 的脚本/服务：
立即学习“Python免费学习笔记（深入）”；
-
命令行直接 profile：
python -m cProfile -s cumtime your_script.py，重点关注 cumtime 大且 ncalls 高的函数 -
对某段逻辑单独 profile：
import cProfile pr = cProfile.Profile() pr.enable() # your heavy code here pr.disable() pr.print_stats(sort='cumtime')
- 注意：cProfile 对纯 C 扩展（如 numpy 向量化操作、pandas groupby）不深入，看到它们占高比例，说明瓶颈就在这些库内部，需换思路优化（比如改用更高效 API 或减少数据量）
警惕常见“伪高 CPU”陷阱
有些情况看起来 CPU 高，实则是设计或配置问题：
- 无限空循环 + time.sleep(0)：sleep(0) 不让出调度权，变成忙等，CPU 拉满。应改用 sleep(0.001) 或用 event.wait() 等待信号
- GIL 争抢严重：多线程做 CPU 密集任务，线程越多反而越慢，CPU 显示高但吞吐不增。该上 multiprocessing 或改用异步 I/O
-
频繁创建对象 + 短生命周期：触发高频 GC，gc.collect() 本身吃 CPU。可用
gc.get_stats()或gc.set_debug(gc.DEBUG_STATS)观察回收频率 -
日志级别太低 + 大量输出：logger.debug() 在没开 debug 时仍执行字符串格式化，消耗 CPU。用 lazy logging（如
logger.debug("value=%r", expensive_func())）避免误伤
