在真实的线上环境里Python 服务往往会遇到两类最棘手的问题：线程阻塞导致响应变慢或卡死还有内存继续增长导致 OOM。这些症状不仅影响业务可用性，还会让运维与开发团队头疼不已。下面给出一套从日志、程序工具到 Python 内置库的完整排查流程，方便你定位并解决这些痛点。

1️⃣ 线程阻塞与死锁排查

• 痛点：进程偶尔突然变慢。CPU 或 IO 报告异常，日志中出现“waiting”或“blocked”的信息。
• 观测点：
  • 进程响应时间明显延长。
  • CPU 占用波动异常或 I/O 等待堆积。
  • 日志里出现线程等待、锁竞争等关键词。
• 日志检查：
  • 抓取对应时间窗口内的所有线程相关日志。
  • 定位可疑线程 ID 与堆栈信息。
• 工具 - gdb

使用方法的观点是。gdb -p ,接下来执行thread apply all bt 查看每个线程的调用栈。至于快速流程，附加 → 列出线程 → 对可疑线程打印 backtrace.

• strace

说到使用方法。strace -f -p ,或者更详细输出：strace -ff -o out -p . 检查是否在 futex、poll、read/write 等程序调用上长时间阻塞。

• 综合策略：

1️⃣ 通过日志缩小时间段和可疑线程；2️⃣ 用 gdb 看 Python 层调用栈；3️⃣ 用 strace 判断是使用者态等待还是程序调用层面阻塞。 这样可以精准定位到底是代码逻辑问题还是资源竞争导致的阻塞。

2️⃣ 内存泄漏 / 内存增长排查

• 痛点："程序运行越久，内存使用一直增加；GC 后也不下降，偶尔出现 OOM 异常"。
• 监控指标：

使用命令行工具定期采样记录 RSS/VSZ。例如：

top -b -n1 | grep 
ps aux | grep 
smem -p 
pmap 

结合应用日志标记关键时间点，可以绘制内存使用曲线，判断增长趋势是否正常。

• Python 标准库 tracemalloc

从示例代码来看。

import tracemalloc
tracemalloc.start # 在关键点开启追踪
snap1 = tracemalloc.take_snapshot # 快照1
# ...运行一段时间...
snap2 = tracemalloc.take_snapshot # 快照2
stats = snap2.compare_to
for stat in stats:
print

这可以按文件行号显示哪些地方分配了最多内存，让你迅速定位热点区域。

• objgraph

import objgraph
objgraph.show_most_common_types # 查看常见对象类型
objs = objgraph.by_type # 获取指定类型实例
objgraph.show_backrefs(objs。max_depth=5,filename='leak.png') # 可视化引用链生成图片

直接能看到哪些对象被大量创建且没有被释放，还有它们的引用链，从而找出根源。

• Pympler

`from pympler import muppy,summary` `all_objs = muppy.get_objects` `print)` 可结合 `asizeof` 或 `tracker` 做更细粒度的追踪。

• 实战流程建议：

- 用程序工具确认增长曲线；- 用 tracemalloc 找到热点分配位置；- 用 objgraph 可视化引用链确认根对象；- 用代码修复并验证，

3️⃣ 快速检查清单

1.   日志与快照采集： • 收集最近几分钟的应用日志 • 使用 top/ps/smem/pmap 获取 RSS/VSZ • 附加 gdb 截取当前线程堆栈 -> -> -> -> -> -> -> -> -> .
   • 上一篇： Java单例模式是如何实现的？
   • 下一篇： CSS是什么？