Saat menulis aturan, kesalahan performa yang paling umum adalah menelusuri atau menyalin data yang terakumulasi dari dependensi. Jika digabungkan di seluruh build, operasi ini dapat dengan mudah menghabiskan waktu atau ruang O(N^2). Untuk menghindari hal ini, sangat penting untuk memahami cara menggunakan dependensi secara efektif.
Ini mungkin sulit untuk dilakukan dengan benar, sehingga Bazel juga menyediakan memory profiler yang membantu Anda menemukan titik di mana Anda mungkin telah membuat kesalahan. Perhatian: Biaya penulisan aturan yang tidak efisien mungkin tidak terlihat hingga aturan tersebut digunakan secara luas.
Menggunakan dependensi
Setiap kali Anda menggabungkan informasi dari dependensi aturan, Anda harus menggunakan dependensi. Hanya gunakan daftar biasa atau dict untuk memublikasikan informasi lokal ke aturan saat ini.
Sebuah dependensi menyatakan informasi sebagai grafik bertingkat yang memungkinkan proses berbagi.
Perhatikan grafik berikut:
C -> B -> A
D ---^
Setiap node memublikasikan satu string. Dengan dependensi, data akan terlihat seperti ini:
a = depset(direct=['a'])
b = depset(direct=['b'], transitive=[a])
c = depset(direct=['c'], transitive=[b])
d = depset(direct=['d'], transitive=[b])
Perhatikan bahwa setiap item hanya disebutkan satu kali. Dengan daftar, Anda akan mendapatkan ini:
a = ['a']
b = ['b', 'a']
c = ['c', 'b', 'a']
d = ['d', 'b', 'a']
Perhatikan bahwa dalam kasus ini, 'a'
disebutkan empat kali. Dengan grafik yang lebih besar,
masalah ini akan menjadi lebih buruk.
Berikut adalah contoh penerapan aturan yang menggunakan dependensi dengan benar untuk memublikasikan informasi transitif. Perhatikan bahwa Anda boleh memublikasikan informasi lokal aturan menggunakan daftar jika mau, karena ini bukan O(N^2).
MyProvider = provider()
def _impl(ctx):
my_things = ctx.attr.things
all_things = depset(
direct=my_things,
transitive=[dep[MyProvider].all_things for dep in ctx.attr.deps]
)
...
return [MyProvider(
my_things=my_things, # OK, a flat list of rule-local things only
all_things=all_things, # OK, a depset containing dependencies
)]
Lihat halaman ringkasan dependensi untuk informasi selengkapnya.
Hindari memanggil depset.to_list()
Anda dapat memaksa dependensi ke daftar tetap menggunakan to_list()
, tetapi hal ini biasanya menghasilkan biaya O(N^2). Jika memungkinkan, hindari perataan dependensi kecuali untuk tujuan
proses debug.
Kesalahpahaman umum adalah Anda dapat dengan bebas meratakan dependensi jika Anda hanya melakukannya
pada target level teratas, seperti aturan <xx>_binary
, karena biaya tidak
diakumulasi di setiap level grafik build. Namun, ini masih O(N^2) saat
Anda membuat kumpulan target dengan dependensi yang tumpang-tindih. Hal ini terjadi saat
mem-build pengujian //foo/tests/...
, atau saat mengimpor project IDE.
Kurangi jumlah panggilan menjadi depset
Memanggil depset
di dalam loop sering kali merupakan kesalahan. Hal ini dapat menyebabkan dependensi dengan tingkatan
yang sangat dalam, dan performanya buruk. Contoh:
x = depset()
for i in inputs:
# Do not do that.
x = depset(transitive = [x, i.deps])
Kode ini dapat diganti dengan mudah. Pertama, kumpulkan dependensi transitif dan gabungkan semuanya sekaligus:
transitive = []
for i in inputs:
transitive.append(i.deps)
x = depset(transitive = transitive)
Hal ini terkadang dapat dikurangi dengan menggunakan pemahaman daftar:
x = depset(transitive = [i.deps for i in inputs])
Menggunakan ctx.actions.args() untuk command line
Saat membuat command line, Anda harus menggunakan ctx.actions.args(). Tindakan ini akan menunda perluasan dependensi apa pun ke fase eksekusi.
Selain sangat cepat, ini akan mengurangi konsumsi memori aturan Anda -- terkadang hingga 90% atau lebih.
Berikut beberapa triknya:
Meneruskan dependensi dan daftar secara langsung sebagai argumen, bukan meratakannya sendiri. Jumlah tersebut akan diperluas paling lambat
ctx.actions.args()
untuk Anda. Jika Anda memerlukan transformasi pada konten dependensi, lihat ctx.actions.args#add untuk melihat apakah ada yang sesuai.Apakah Anda meneruskan
File#path
sebagai argumen? Tidak perlu. Setiap File otomatis diubah menjadi jalur, bergantung pada waktu perluasan.Hindari membuat string dengan menggabungkannya. Argumen string terbaik bersifat konstan karena memorinya akan digunakan bersama oleh semua instance aturan Anda.
Jika argumen terlalu panjang untuk command line, objek
ctx.actions.args()
dapat ditulis secara bersyarat atau tanpa syarat ke file parameter menggunakanctx.actions.args#use_param_file
. Hal ini dilakukan di belakang layar saat tindakan dieksekusi. Jika perlu mengontrol file parameter secara eksplisit, Anda dapat menulisnya secara manual menggunakanctx.actions.write
.
Contoh:
def _impl(ctx):
...
args = ctx.actions.args()
file = ctx.declare_file(...)
files = depset(...)
# Bad, constructs a full string "--foo=<file path>" for each rule instance
args.add("--foo=" + file.path)
# Good, shares "--foo" among all rule instances, and defers file.path to later
# It will however pass ["--foo", <file path>] to the action command line,
# instead of ["--foo=<file_path>"]
args.add("--foo", file)
# Use format if you prefer ["--foo=<file path>"] to ["--foo", <file path>]
args.add(format="--foo=%s", value=file)
# Bad, makes a giant string of a whole depset
args.add(" ".join(["-I%s" % file.short_path for file in files])
# Good, only stores a reference to the depset
args.add_all(files, format_each="-I%s", map_each=_to_short_path)
# Function passed to map_each above
def _to_short_path(f):
return f.short_path
Input tindakan transitif harus bersifat dependensi
Saat membuat tindakan menggunakan ctx.actions.run, jangan
lupa bahwa kolom inputs
menerima dependensi. Gunakan metode ini setiap kali input
dikumpulkan dari dependensi secara transitif.
inputs = depset(...)
ctx.actions.run(
inputs = inputs, # Do *not* turn inputs into a list
...
)
Gantung
Jika Bazel tampak hang, Anda dapat menekan Ctrl-\ atau mengirim
sinyal SIGQUIT
kepada Bazel (kill -3 $(bazel info server_pid)
) untuk mendapatkan thread
dump dalam file $(bazel info output_base)/server/jvm.out
.
Karena Anda mungkin tidak dapat menjalankan bazel info
jika bazel hang, direktori output_base
biasanya merupakan induk dari symlink bazel-<workspace>
di direktori ruang kerja Anda.
Profiling performa
Profil rekaman aktivitas JSON bisa sangat berguna untuk memahami dengan cepat waktu yang dihabiskan Bazel selama pemanggilan.
Flag --experimental_command_profile
dapat digunakan untuk mengambil berbagai jenis profil Java Flight Recorder
(waktu CPU, waktu proses, alokasi memori, dan pertentangan kunci).
Flag --starlark_cpu_profile
dapat digunakan untuk menulis profil pprof penggunaan CPU oleh semua thread Starlark.
Profiling memori
Bazel dilengkapi dengan memory profiler bawaan yang dapat membantu Anda memeriksa penggunaan memori aturan. Jika terjadi masalah, Anda dapat membuang heap untuk menemukan baris kode yang tepat yang menyebabkan masalah tersebut.
Mengaktifkan pelacakan memori
Anda harus meneruskan kedua flag startup ini ke setiap panggilan Bazel:
STARTUP_FLAGS=\
--host_jvm_args=-javaagent:<path to java-allocation-instrumenter-3.3.0.jar> \
--host_jvm_args=-DRULE_MEMORY_TRACKER=1
Perintah ini memulai server dalam mode pelacakan memori. Jika Anda melupakannya, bahkan untuk satu panggilan Bazel, server akan dimulai ulang dan Anda harus memulai dari awal.
Menggunakan Pelacak Memori
Sebagai contoh, perhatikan foo
target dan lihat fungsinya. Untuk hanya
menjalankan analisis dan tidak menjalankan fase eksekusi build, tambahkan
flag --nobuild
.
$ bazel $(STARTUP_FLAGS) build --nobuild //foo:foo
Selanjutnya, lihat berapa banyak memori yang digunakan oleh seluruh instance Bazel:
$ bazel $(STARTUP_FLAGS) info used-heap-size-after-gc
> 2594MB
Kelompokkan menurut class aturan menggunakan bazel dump --rules
:
$ bazel $(STARTUP_FLAGS) dump --rules
>
RULE COUNT ACTIONS BYTES EACH
genrule 33,762 33,801 291,538,824 8,635
config_setting 25,374 0 24,897,336 981
filegroup 25,369 25,369 97,496,272 3,843
cc_library 5,372 73,235 182,214,456 33,919
proto_library 4,140 110,409 186,776,864 45,115
android_library 2,621 36,921 218,504,848 83,366
java_library 2,371 12,459 38,841,000 16,381
_gen_source 719 2,157 9,195,312 12,789
_check_proto_library_deps 719 668 1,835,288 2,552
... (more output)
Lihat tujuan memori dengan menghasilkan file pprof
menggunakan bazel dump --skylark_memory
:
$ bazel $(STARTUP_FLAGS) dump --skylark_memory=$HOME/prof.gz
> Dumping Starlark heap to: /usr/local/google/home/$USER/prof.gz
Gunakan alat pprof
untuk menyelidiki heap. Titik awal yang baik adalah
mendapatkan grafik flame menggunakan pprof -flame $HOME/prof.gz
.
Dapatkan pprof
dari https://github.com/google/pprof.
Dapatkan dump teks dari situs panggilan terpopuler yang dianotasikan dengan baris:
$ pprof -text -lines $HOME/prof.gz
>
flat flat% sum% cum cum%
146.11MB 19.64% 19.64% 146.11MB 19.64% android_library <native>:-1
113.02MB 15.19% 34.83% 113.02MB 15.19% genrule <native>:-1
74.11MB 9.96% 44.80% 74.11MB 9.96% glob <native>:-1
55.98MB 7.53% 52.32% 55.98MB 7.53% filegroup <native>:-1
53.44MB 7.18% 59.51% 53.44MB 7.18% sh_test <native>:-1
26.55MB 3.57% 63.07% 26.55MB 3.57% _generate_foo_files /foo/tc/tc.bzl:491
26.01MB 3.50% 66.57% 26.01MB 3.50% _build_foo_impl /foo/build_test.bzl:78
22.01MB 2.96% 69.53% 22.01MB 2.96% _build_foo_impl /foo/build_test.bzl:73
... (more output)