Python程序运行时CPU使用率过高是开发过程中常见的性能问题，这类问题可能由死循环、低效算法、大量重复计算或者资源竞争等原因导致，需要结合系统工具和Python内置分析工具逐步排查。
第一步：系统层面定位高CPU占用的Python进程
首先可以通过系统命令确认是哪个Python进程占用了过高的CPU资源，不同系统的操作方式略有差异。
Linux/macOS系统
可以使用top命令实时查看进程CPU占用情况，找到CPU使用率高的Python进程PID，也可以使用ps命令过滤进程：
# 查看所有Python进程的CPU和内存占用 ps aux | grep python
Windows系统
打开任务管理器，切换到详细信息标签页，找到python.exe或者pythonw.exe进程，查看其CPU列的数值，记录对应的PID。
第二步：使用psutil库获取进程CPU详细信息
定位到具体进程后，可以使用Python的psutil库获取该进程的详细CPU使用数据，判断是进程整体CPU占用高还是某个线程的问题。
首先安装psutil库：
pip install psutil
以下是获取指定PID进程CPU使用情况的示例代码：
import psutil
import time
# 替换为你要分析的Python进程PID
target_pid = 1234
try:
process = psutil.Process(target_pid)
# 获取进程CPU使用率，interval为统计间隔，默认为0.1秒
cpu_percent = process.cpu_percent(interval=1)
print(f"进程PID {target_pid} 的CPU使用率为: {cpu_percent}%")
# 获取进程所有线程的CPU使用情况
thread_stats = process.threads()
for thread in thread_stats:
print(f"线程ID {thread.id} 用户态CPU时间: {thread.user}, 内核态CPU时间: {thread.system}")
except psutil.NoSuchProcess:
print(f"未找到PID为 {target_pid} 的进程")
第三步：代码层面性能分析定位耗时逻辑
如果确认是Python进程自身代码导致的CPU占用高，需要进一步分析代码中哪些函数、哪些逻辑占用了大量CPU时间，常用的工具是cProfile和line_profiler。
使用cProfile进行整体性能分析
cProfile是Python内置的性能分析工具，不需要额外安装，可以统计每个函数的调用次数和耗时情况。
假设我们要分析的脚本是test_script.py，内容如下：
def heavy_calc():
# 模拟耗时计算
total = 0
for i in range(1000000):
total += i * i
return total
def main():
while True:
heavy_calc()
if __name__ == "__main__":
main()
使用cProfile运行该脚本并输出分析结果：
# 运行脚本并将分析结果输出到文件 python -m cProfile -o result.prof test_script.py # 查看分析结果，按累计时间排序 python -m pstats result.prof
在pstats交互界面中输入sort cumtime和stats 10，就可以看到累计耗时最高的前10个函数，从而定位到耗时的核心逻辑。
使用line_profiler分析行级耗时
如果需要更精细的行级耗时分析，可以安装line_profiler库，它可以统计函数中每一行代码的执行耗时。
安装line_profiler：
pip install line_profiler
使用方式是在需要分析的函数上添加@profile装饰器，然后运行分析命令：
@profile
def heavy_calc():
total = 0
for i in range(1000000):
total += i * i
return total
def main():
while True:
heavy_calc()
if __name__ == "__main__":
main()
# 运行分析，输出行级耗时结果 kernprof -l -v test_script.py
输出结果会显示每一行代码的执行次数、耗时占比，很容易找到循环中或者重复计算的高耗时代码行。
常见CPU过高的原因及解决思路
- 死循环问题：检查代码中是否有没有退出条件的循环，或者循环条件永远为真的逻辑，添加合理的退出条件即可解决。
- 低效算法问题：比如使用嵌套循环处理大量数据，可以替换为哈希表、内置函数或者更高效的算法实现。
- 大量重复计算：对于重复使用的计算结果，可以加入缓存机制，避免重复运算。
- 资源竞争问题：多线程场景下如果锁粒度过大，会导致大量CPU时间消耗在等待锁上，可以优化锁的使用范围，或者改用协程、多进程方案。
注意：如果是多进程Python程序，需要分别分析每个子进程的CPU占用情况，避免遗漏子进程导致的CPU过高问题。