在speedscope中导入macOS sample工具的性能分析数据
2025-06-05 21:36:46作者:鲍丁臣Ursa
背景介绍
speedscope是一款优秀的性能分析可视化工具,能够帮助开发者直观地理解应用程序的性能瓶颈。在macOS系统上,开发者可以使用内置的sample工具采集进程的性能数据,但如何将这些数据导入speedscope进行分析呢?
macOS sample工具简介
macOS系统自带了一个名为sample的命令行工具,它能够对指定进程进行采样,收集调用栈信息。与Xcode中的Instruments工具相比,sample更加轻量级,不需要安装额外的开发工具。
数据转换流程
要将sample的输出导入speedscope,需要经过以下步骤:
-
获取转换脚本:使用Brendan Gregg开发的FlameGraph项目中的
stackcollapse-sample.awk脚本,这个脚本能够将sample的输出转换为折叠格式。 -
执行采样:使用
sample命令对目标进程进行采样,输出结果通过管道传递给转换脚本。 -
生成分析文件:转换后的数据保存为speedscope可识别的格式。
详细操作步骤
1. 获取转换工具
首先需要下载并准备转换脚本:
curl -LO https://raw.githubusercontent.com/brendangregg/FlameGraph/master/stackcollapse-sample.awk
chmod +x stackcollapse-sample.awk
2. 执行性能采样
对目标进程进行采样并转换数据格式:
sample <pid或进程名> -file /dev/stdout | ./stackcollapse-sample.awk > flame.prof
3. 导入speedscope
将生成的flame.prof文件直接拖入speedscope界面即可开始分析。
技术原理
stackcollapse-sample.awk脚本完成了以下关键转换:
- 解析
sample工具输出的原始调用栈信息 - 将多行调用栈折叠为单行表示
- 统计相同调用路径的出现次数
- 生成speedscope兼容的折叠格式
应用场景
这种方法特别适合以下情况:
- 没有安装Xcode开发环境
- 需要快速进行性能采样分析
- 在服务器环境或CI/CD流程中进行性能分析
- 对长时间运行的后台进程进行性能监控
注意事项
- 采样时间不宜过短,建议至少采样5-10秒以获得有统计意义的数据
- 对于高频采样,可能会对目标进程性能产生影响
- 可以调整
sample命令的参数控制采样频率和持续时间
通过这种方法,开发者可以方便地在不依赖Xcode的情况下,利用macOS系统自带工具进行性能分析,并通过speedscope获得直观的可视化结果。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
567
3.83 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
892
667
Ascend Extension for PyTorch
Python
376
445
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
349
200
昇腾LLM分布式训练框架
Python
116
145
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
778
暂无简介
Dart
798
197
React Native鸿蒙化仓库
JavaScript
308
359
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
1.13 K
271