Python生产环境性能优化需先通过cProfile或py-spy定位瓶颈，再针对性改进：优先异步I/O、分层缓存、延迟导入及__slots__内存优化。
Python 在生产环境中的性能问题，往往不是语言本身慢，而是代码写法、资源使用和部署方式没对齐真实场景。优化要从可观测性入手，先定位瓶颈，再针对性改进。
用 cProfile 和 py-spy 快速定位热点
线上服务响应变慢，别急着重写逻辑。先确认是 CPU 密集、I/O 等待，还是内存泄漏。
-
cProfile 适合单次脚本或短生命周期任务：加几行代码就能看到函数耗时分布，重点关注
tottime和ncalls高的函数 -
py-spy 更适合长期运行的 Web 服务（如 Flask/FastAPI）：无需修改代码，直接 attach 进程抓取调用栈，还能生成火焰图（
py-spy record -p PID -o profile.svg） - 注意避开“伪瓶颈”：比如日志打印太多、JSON 序列化大对象、频繁字符串拼接，这些在 profile 中常排前几，但修复成本低、收益高
异步 I/O 替换同步阻塞调用
数据库查询、HTTP 请求、文件读写是 Python 服务最常见的等待点。同步方式会让线程空等，浪费并发能力。
- Web 层用 FastAPI + httpx（async） 或 aiohttp 替代 requests；数据库用 asyncpg（PostgreSQL）或 aiomysql，避免用 SQLAlchemy 同步驱动
- 不要混合 async/await 和同步代码：比如在 async 函数里调用 time.sleep() 或 requests.get()，会阻塞整个事件循环
- 批量操作优先用数据库原生批量接口（如
executemany、UPSERT），而不是 for 循环逐条 insert
缓存策略分层落地，不只依赖 Redis
缓存不是加个 redis.Redis 就完事，关键在粒度、时效和穿透控制。
立即学习“Python免费学习笔记（深入）”；
- 高频只读数据（如配置、枚举）用 本地内存缓存（
functools.lru_cache或cacheout），避免网络开销 - 跨进程共享数据（如用户 session、热点商品）才上 Redis，并设置合理过期时间 + 懒加载（cache-aside 模式），防止缓存雪崩
- 慎用自动序列化：Redis 存 dict 前先 json.dumps，读取时 try/except 处理脏数据，避免因字段缺失导致整个请求失败
内存与启动速度优化有立竿见影效果
很多服务重启慢、OOM 杀死，根源不在业务逻辑，而在初始化阶段。
- 延迟导入（lazy import）：把非必需模块（如 reportlab、opencv）移到函数内部 import，减少启动时间和常驻内存
- 用 __slots__ 限制实例属性：对高频创建的对象（如 ORM model 实例、DTO 类），可节省 30%~50% 内存
- Gunicorn 启动时用 preload=True 加载代码一次，再 fork worker；避免每个 worker 单独 import 耗时；同时限制 worker 数量（通常 2×CPU 核数较稳）
不复杂但容易忽略。性能优化不是追求极限，而是让系统在流量变化时更可控、故障时更容易归因。
