如何用脚本生成系统性能曲线

wen 实用脚本 2026-07-29 2

从数据采集到可视化全指南

📖 目录导读

为什么需要性能曲线脚本化？
核心工具与脚本语言选型
四步生成性能曲线（附代码示例）
常见问题与优化技巧（问答区）
SEO关键词拓展与最佳实践

为什么需要性能曲线脚本化？

在系统性能测试中,曲线图能直观展示CPU使用率、内存占用、磁盘IO、网络吞吐量等指标随时间的变化趋势，人工绘制曲线效率低下且易出错，而通过脚本自动化生成可实现：

如何用脚本生成系统性能曲线

可重复性：任意环境一键生成标准化曲线
实时监控：定时运行脚本获取动态数据
多维度对比：单脚本生成不同场景的叠加曲线
长周期分析：自动收集7×24小时性能数据

SEO关键词提示：性能测试脚本、系统监控自动化、性能曲线生成工具、Python性能可视化

核心工具与脚本语言选型

根据系统类型选择脚本语言与绘图库：
| 场景 | 推荐工具 | 特点 | |------|----------|------| | Linux系统监测 | sar+Gnuplot | 轻量、原生支持 | | 全平台通用 | Python + matplotlib | 生态丰富、支持交互 | | 实时Web展示 | Node.js + ECharts | 适合Dashboard | | 日志分析 | R语言 + ggplot2 | 统计可视化强项 |

本文采用Python方案（兼容Windows/Linux/macOS，SEO权重最高）。

四步生成性能曲线（附代码示例）

步骤1：安装依赖

pip install matplotlib psutil pandas

psutil：跨平台系统信息采集
pandas：数据结构处理
matplotlib：图表绘制

步骤2：编写数据采集函数

import psutil
import time
import pandas as pd
def collect_perf(duration=60, interval=1):
    """采集duration秒内，每隔interval秒的CPU和内存数据"""
    data = []
    start = time.time()
    while time.time() - start < duration:
        cpu = psutil.cpu_percent(percpu=True)  # 所有核心使用率
        mem = psutil.virtual_memory().percent
        data.append([time.time(), cpu[0], mem])  # 取第1核示例
        time.sleep(interval)
    return pd.DataFrame(data, columns=['time_sec', 'cpu_core1', 'mem_percent'])

步骤3：生成性能曲线图

import matplotlib.pyplot as plt
def plot_curve(df):
    plt.figure(figsize=(12, 5))
    # 绘制CPU曲线
    plt.plot(df['time_sec'], df['cpu_core1'], 'r-', linewidth=2, label='CPU Core 1')
    # 绘制内存曲线
    plt.plot(df['time_sec'], df['mem_percent'], 'b--', linewidth=2, label='Memory')
    plt.title('System Performance Curve - 60s Monitoring')
    plt.xlabel('Time (seconds)')
    plt.ylabel('Usage (%)')
    plt.legend(loc='upper right')
    plt.grid(alpha=0.3)
    plt.tight_layout()
    plt.savefig('perf_curve.png', dpi=150)  # 高清输出
    plt.show()

步骤4：一键执行

if __name__ == '__main__':
    df = collect_perf(duration=120, interval=0.5)  # 采集2分钟
    plot_curve(df)
    print("✅ 性能曲线已保存为 perf_curve.png")

常见问题与优化技巧（问答区）

Q1：脚本采集时对系统性能本身有影响吗？
A：Python脚本本身约占用2%-5%CPU，使用 interval>=1 秒时影响可忽略，若监测高敏感场景，建议用 sar 命令后台采集后离线处理。

Q2：如何生成多天/多服务器的叠加曲线？
A：将每日数据存储为CSV，合并后用 pandas 分组聚合：

dfs = [pd.read_csv(f) for f in glob('daily_*.csv')]
combined = pd.concat(dfs, ignore_index=True)

Q3：曲线噪声太多怎么平滑？
A：使用移动平均法：

df['cpu_smooth'] = df['cpu_core1'].rolling(window=5).mean()

Q4：如何添加到Jenkins/GitLab CI持续报告？
A：在CI流水线中加入：

script:
  - python gen_perf.py
  - curl -F "file=@perf_curve.png" http://dashboard.example.com/upload

Q5：支持GPU曲线吗？
A：需要安装 nvidia-ml-py3 包：

pip install nvidia-ml-py3

然后调用 py3nvml.nvmlDeviceGetUtilizationRates() 获取GPU利用率。

SEO关键词拓展与最佳实践

长尾关键词布局

"Linux性能监控脚本生成曲线"
"Python绘制负载测试图表"
"自动化性能报告生成工具"
"系统资源使用率可视化方案"

搜索引擎优化要点

H标签分层使用H1，章节用H2（已执行）
代码高亮：在博客平台用<pre>包裹代码
内部链接：指向其他“系统性能优化”相关文章
图片ALT属性：图例添加
元描述：
<meta name="description" content="手把手教你用Python脚本自动化采集系统CPU、内存数据并生成高性能曲线图，支持多场景叠加、实时监控，附完整代码。">

实测效果对比

方法	生成时间	曲线精度	可定制性
手动Excel	15分钟	低	低
脚本生成	2分钟	高	高

通过以上脚本化方案,你无需依赖商业监控工具即可生成专业级性能曲线，若需实现实时看板（Dashboard），可结合Flask+Socket.IO将数据推送到前端ECharts图表，建议将脚本纳入定时任务（cron/计划任务）实现无人值守监控。