Python执行时间统计误区：time.clock()与程序实际耗时差异解析

首先分享一个在生产环境中遇到的实际案例：在调度Python脚本并监控其进程时，发现脚本的实际运行时长远远超过了脚本内部自行统计的执行时间。

具体表现为：监控层面记录的Python脚本执行时长为36个小时，而脚本内部统计的执行时间仅为4小时左右，两者存在巨大差异。

发现问题后，首先怀疑是Linux系统层面出现故障，但查阅各类系统日志后，并未发现任何异常记录。

随后考虑是否因Python中使用的py2neo库进行数据写入时采用异步机制，导致进程阻塞从而影响了执行时间。

最终定位到问题根源：Python脚本中用于统计时间的方法是time.clock()，该方法统计的是CPU的执行时间，而非程序的实际执行时间。

接下来，对几种Python中常用的统计时间方式进行对比分析：

方法1：

import datetime
starttime = datetime.datetime.now()
#long running
#do something other
endtime = datetime.datetime.now()
print (endtime - starttime).seconds

使用datetime.datetime.now()获取当前日期时间，在程序执行结束后，通过计算两个时间点的时间差，可以得到程序的实际执行时间。

方法2：

start = time.time()
#long running
#do something other
end = time.time()
print end-start

使用time.time()获取自Unix纪元以来的当前时间（单位为秒）。如果系统时钟支持，返回值可能包含小数部分，因此返回类型为浮点数。此方法获取的也是程序的实际执行时间。

方法3：

start = time.clock()
#long running
#do something other
end = time.clock()
print end-start

time.clock()返回从程序开始或第一次调用clock()以来的CPU时间。其精度与系统记录一致，返回值同样为浮点类型。需要注意的是，这里获得的是CPU的执行时间，而非程序总耗时。

注：程序执行时间 = CPU时间 + IO时间 + 休眠或者等待时间

感谢阅读，希望能帮助到大家，谢谢大家对本站的支持！