Python脚本执行时如何统计CPU使用率？

统计Python脚本执行时的CPU使用率，不只是为了知道程序运行了多久，而是要区分进程真正占用处理器的时间与等待IO、休眠等墙钟时间。墙钟时间用time.time()即可获得，但CPU使用率需要采集进程的用户态和内核态CPU时间，再除以实际经过的墙钟时间，或通过操作系统接口读取瞬时占用百分比。Python标准库和第三方库提供了多种实现方式，接下来分别说明。

一、用time模块区分墙钟时间与CPU时间

Python内置的time模块提供了多个计时函数，其中time.time()返回的是系统墙钟时间，也就是从某个固定时刻到现在的秒数，它会受到系统时间调整和休眠的影响。而time.process_time()返回当前进程消耗的CPU时间，只包含用户态和内核态的执行时间，不包括睡眠等待时间。如果脚本中调用了time.sleep()或者等待网络响应，time.process_time()不会把这些等待计入。

对于CPU密集型脚本，用time.process_time()计算出的时间最接近实际处理器占用。下面的示例同时记录墙钟时间和进程CPU时间，可以直观看到二者差异。需要注意的是，time.process_time()在Windows和Linux上都可用，但不同平台对内核态时间的计入策略可能略有不同，不过它已经是标准库中最简单且跨平台的CPU计时方式。

import time

start_wall = time.time()
start_cpu = time.process_time()

total = 0
for i in range(2000000):
    total += i

end_cpu = time.process_time()
end_wall = time.time()

print(f"墙钟时间：{end_wall - start_wall:.4f} 秒")
print(f"进程CPU时间：{end_cpu - start_cpu:.4f} 秒")

如果脚本里存在大量IO等待，墙钟时间会明显大于CPU时间，此时不能简单用墙钟时间除以CPU时间得出结论说CPU利用率低，因为IO等待期间处理器可能被其他进程使用。反之，如果墙钟时间与CPU时间非常接近，说明脚本几乎一直在占用处理器，CPU使用率接近100%。这种基础计时方式适合快速判断脚本属于CPU密集型还是IO密集型。

二、通过resource模块读取进程级CPU消耗

如果不仅需要总CPU时间，还想区分用户态和内核态消耗，可以使用标准库中的resource模块。该模块在Unix/Linux平台支持较好，Windows上功能不完整。通过resource.getrusage(resource.RUSAGE_SELF)可以获取当前进程的资源使用数据，其中ru_utime表示用户态CPU时间，ru_stime表示内核态CPU时间，两者单位都是秒。

在任务开始前和结束后分别调用一次getrusage，用差值就能得到该任务消耗的CPU秒数。这个方式比time.process_time()更底层一些，能分别观察用户态和内核态耗时，对排查系统调用频繁、文件读写开销大的脚本很有帮助。ru_maxrss还可以返回最大常驻内存，适合作为辅助指标。

import resource

start = resource.getrusage(resource.RUSAGE_SELF)
total = 0
for i in range(2000000):
    total += i
end = resource.getrusage(resource.RUSAGE_SELF)

user_cpu = end.ru_utime - start.ru_utime
sys_cpu = end.ru_stime - start.ru_stime
cpu_seconds = user_cpu + sys_cpu

print(f"用户态CPU时间：{user_cpu:.4f} 秒")
print(f"内核态CPU时间：{sys_cpu:.4f} 秒")
print(f"总CPU时间：{cpu_seconds:.4f} 秒")

如果想要得到这段时间内的平均CPU使用率，可以用总CPU时间除以墙钟时间和CPU核心数。不过对于多线程程序，getrusage返回的是整个进程的CPU时间，可能超过墙钟时间，因为多个线程可以同时在不同核心上执行。此时平均CPU使用率可能超过100%，这是正常现象。

三、用psutil动态监控CPU占用率

resource模块拿到的是累计CPU时间，要转换成百分比还需要额外计算。第三方库psutil则直接提供了cpu_percent()方法，可以返回进程的CPU占用率。安装psutil后，通过psutil.Process(os.getpid())获取当前进程对象，再调用cpu_percent(interval=1)会在1秒间隔内采样并返回平均占用百分比。

psutil的优点是跨平台、接口简单，而且支持对系统整体CPU使用率的监控。例如psutil.cpu_percent(interval=1)可以返回整机平均CPU占用率，psutil.Process.cpu_percent()则只统计单个进程。监控短时任务时需要特别注意，进程可能很快结束，采样间隔太短会导致结果波动较大，通常建议用interval为1秒或更长的时间窗口。

import psutil
import os
import time

p = psutil.Process(os.getpid())
# 先调用一次，初始化内部计数器
p.cpu_percent(interval=None)
time.sleep(0.5)

print(f"当前进程CPU占用率：{p.cpu_percent(interval=None):.1f}%")
print(f"间隔1秒后的进程CPU占用率：{p.cpu_percent(interval=1):.1f}%")

psutil内部同样基于操作系统提供的进程统计信息，例如Linux下读取/proc文件系统，macOS使用libproc，Windows使用Performance Data Helper。因此它的准确性依赖操作系统采样机制，对于毫秒级任务可能出现误差。如果你的脚本运行时间非常短，更建议使用time或resource统计累计CPU时间，而不是依赖百分比采样。

四、函数级CPU热点分析：cProfile与pstats

统计整个脚本的CPU使用率只能看到总体情况，如果想定位到底是哪个函数消耗了最多CPU时间，就需要使用性能分析工具。Python内置的cProfile模块可以记录每个函数的调用次数、总耗时和累计耗时，pstats模块则用于排序和展示分析结果。

与前面几种方式不同，cProfile关注的是函数调用层面的时间分布，它默认记录墙钟时间，但也可以通过自定义计时器记录CPU时间。由于cProfile本身会带来一定开销，通常用于分析运行时间较长的程序。下面的示例创建一个Profile对象，启用分析后执行计算函数，最后输出累计耗时最高的前10个函数。

import cProfile
import pstats

def compute():
    total = 0
    for i in range(1000000):
        total += i ** 2
    return total

profiler = cProfile.Profile()
profiler.enable()
compute()
profiler.disable()

stats = pstats.Stats(profiler)
stats.sort_stats('cumulative')
stats.print_stats(10)

在分析结果中，cumtime表示函数及其调用的子函数总共消耗的时间，tottime表示函数自身执行的时间，不包含子函数调用。通过对比这两个字段，可以快速判断热点是在当前函数内部，还是在其调用的某个子函数中。对于CPU密集型的数学计算脚本，这种方法通常能直接定位到最耗时的循环或算法。

五、多线程与多进程场景的注意事项

多线程Python脚本受全局解释器锁影响，CPU密集型任务很难利用多核，因此进程CPU时间可能不会明显高于单线程。此时统计CPU使用率时，如果只用进程级累计时间，会发现它始终接近一个核心的占用。若想观察线程级行为，可以结合操作系统的线程统计工具，或者使用psutil查看进程下的线程信息。

多进程脚本则不同，每个子进程都有自己的CPU时间统计。父进程通过multiprocessing创建子进程后，单独监控父进程无法覆盖子进程的CPU消耗。可以使用psutil遍历所有子进程，或者让每个子进程在退出前将自身CPU时间写入队列，由父进程汇总。整机CPU使用率则可以通过psutil.cpu_percent(interval=1)直接获得，它反映的是所有进程共同占用的处理器资源。

实际项目中，建议先用time或resource做轻量级统计，确认脚本大致耗时和CPU特征，再根据需求引入psutil做动态监控或cProfile做热点分析。短时任务优先累计CPU时间，长时服务优先百分比采样和趋势监控。这样既能避免过度分析，也能得到有参考价值的CPU使用率数据。

Python CPU使用率psutil脚本性能统计修改时间：2026-08-20 22:43:23