1. 什么是gprof？
gprof 这是一个GNU的性能分析工具，它是GCC（GNU Compiler Collection，GNU编译器套件）的一部分，与GCC编译器紧密集成。可用于分析程序的函数调用关系和每个函数的运行时间。它通过在编译时插入性能分析代码来收集函数调用信息和执行时间，来帮助开发者识别性能瓶颈。
gprof的优点：
- 可以方便的分析程序的函数调用关系和每个函数的运行时间。
- gprof对于代码大部分是用户空间的CPU密集型的程序用处明显。
gprof的缺点：
- 对于大部分时间运行在内核空间或者由于外部因素（例如操作系统的 I/O 子系统过载）而运行得非常慢的程序难以进行优化。
- gprof默认不支持多线程程序。（gprof采用ITIMER_PROF信号，在多线程内只有主线程才能响应该信号）
- 默认不支持共享库程序。
2. gprof的用法
2.1. 编译程序
首先，需要使用 -pg 选项编译你的程序：
g++ -pg -o my_program my_program.cpp
除了-pg外，还有一个参数-p,它可以生成适合prof性能分析工具的代码，他们之间的区别如下：
-p: 可以生成适合prof性能分析工具的代码。-pg: 可以生成适合gprof性能分析工具的代码，也就是profile information for gprof的含义。
要理解上面描述，又不得不了解prof和gprof两个工具的关系了。
- prof是一个较早的性能分析工具，最初在UNIX系统上使用。编译时加上-p选项，生成的可执行文件会在运行时收集性能分析数据。然后通过
prof工具再生成性能分析报告。 - gprof是GNU项目的一部分，是一个更现代的性能分析工具，它的功能与
prof类似，但比prof提供了更多的功能和更好的用户体验。而且程序运行时输出的性能分析数据也更丰富、详细。现在gprof几乎取代了prof。
2.2. 运行程序
编译完成后，运行你的程序：
./my_program
运行过程中，gprof 会生成一个名为 gmon.out 的文件，其中包含了性能分析数据。
2.3. 生成分析报告
运行完程序后，使用 gprof 工具生成分析报告：
gprof my_program gmon.out > analysis_report.txt
生成的 analysis_report.txt 文件中包含了函数的调用时间、调用次数等详细信息。
2.4. gprof常用参数说明
gprof命令格式:
gprof [options] [executable-file [profile-data-files…]] [> outputfile] Gprof命令行格式 Gprof command line format
options参数说明：
| 命令 | 中文解释 | 英文解释 |
|---|---|---|
| -b | 简洁输出，不显示冗长的解释 | Brief output. Do not display verbose explanations |
| -s | 将多个gmon.out文件合并 | Summarize: merge several profile data files for cumulative stats |
| -p | 显示程序的每个函数的执行时间统计 | Display program’s functions execution time statistics |
| -q | 显示程序的每个函数的调用关系 | Display program’s |
2.5. 分析报告解读
gprof 生成的报告通常包含以下几个部分：
- Flat profile: 显示每个函数的执行时间、调用次数等信息。
- Call graph: 显示函数之间的调用关系和每个函数的执行时间。
2.5.1. Flat profile 各个字段的含义
| 字段 | 含义 |
|---|---|
| % time | 该函数消耗时间占程序所有时间百分比 |
| Cumulative seconds | 程序的累积执行时间(只是包括gprof能够监控到的函数) |
| Self Seconds | 该函数本身执行时间(所有被调用次数的合共时间) |
| Calls | 函数被调用次数 |
| Self TS/call | 函数平均执行时间(不包括被调用时间，函数的单次执行时间) |
| Total TS/call | 函数平均执行时间(包括被调用时间，函数的单次执行时间) |
| name | 函数名 |
2.5.2. Call graph 各个字段的含义
| 字段 | 含义 |
|---|---|
| Index | 索引值 |
| %time | 函数消耗时间占所有时间百分比 |
| Self | 函数本身执行时间 |
| Children | 执行子函数所用时间 |
| Called | 被调用次数 |
| Name | 函数名 |
3. Demo演示
3.1. demo04.cpp 源码
#include <iostream>
int64_t add(int64_t a, int64_t b)
{
return a + b;
}
void func1()
{
int sum = 0;
for (int i = 0; i < 1000000; ++i)
{
sum = add(sum, i);
}
std::cout << "Sum of 0 to 999999 is " << sum << std::endl;
}
void func2()
{
int sum = 0;
for (int i = 0; i < 500000; ++i)
{
sum = add(sum, i);
}
std::cout << "Sum of 0 to 499999 is " << sum << std::endl;
}
int main()
{
func1();
func2();
return 0;
}
3.2. 编译、运行和分析
# 编译程序
g++ -pg ./demo04.cpp -o ./demo04.out
# 运行程序
./demo04.out
# 生成分析报告
gprof ./demo04.out ./gmon.out > analysis_report04.txt
# 也可以使用下面的命令，生成的报告更加简洁，没有冗余信息
gprof -b ./demo04.out ./gmon.out > analysis_report04.txt
3.3. 查看分析报告
打开analysis_report04.txt，可以看到类似如下的输出：
Flat profile:
Each sample counts as 0.01 seconds.
no time accumulated
% cumulative self self total
time seconds seconds calls Ts/call Ts/call name
0.00 0.00 0.00 1500000 0.00 0.00 add(long, long)
0.00 0.00 0.00 1 0.00 0.00 func1()
0.00 0.00 0.00 1 0.00 0.00 func2()
...
Call graph (explanation follows)
granularity: each sample hit covers 4 byte(s) no time propagated
index % time self children called name
0.00 0.00 500000/1500000 func2() [10]
0.00 0.00 1000000/1500000 func1() [9]
[8] 0.0 0.00 0.00 1500000 add(long, long) [8]
-----------------------------------------------
0.00 0.00 1/1 main [6]
[9] 0.0 0.00 0.00 1 func1() [9]
0.00 0.00 1000000/1500000 add(long, long) [8]
-----------------------------------------------
0.00 0.00 1/1 main [6]
[10] 0.0 0.00 0.00 1 func2() [10]
0.00 0.00 500000/1500000 add(long, long) [8]
-----------------------------------------------
...
Index by function name
[8] add(long, long) [9] func1() [10] func2()
通过这些信息，可以清楚地看到 func1 和 func2 的执行时间和调用次数，从而进行针对性的优化。
历史文章推荐：
大家好，我是陌尘。
IT从业10年+, 北漂过也深漂过，目前暂定居于杭州，未来不知还会飘向何方。
搞了8年C++，也干过2年前端；用Python写过书，也玩过一点PHP，未来还会折腾更多东西，不死不休。
感谢大家的关注，期待与你一起成长。
【SunLogging】
扫码二维码，关注微信公众号，阅读更多精彩内容