Python并发监控需分进程、线程、协程三级，结合psutil采集RSS、CPU占比、线程数等指标，避免高频轮询。
Python并发程序的性能监控，核心在于区分“进程级”、“线程级”和“协程级”三类资源消耗，并针对性采集可量化指标。不能只看CPU或内存总量，要结合并发模型（如threading、multiprocessing、asyncio）抓关键瓶颈点。
进程与线程资源占用监控
对使用multiprocessing或大量threading的程序，需重点关注OS层资源：进程数、线程数、句柄数、实际内存RSS（非VMS）、CPU时间片分配。可用psutil库实时采集：
- 进程级：psutil.Process().num_children()、.memory_info().rss、.cpu_percent(interval=1)
- 线程级：proc.threads() 返回线程列表，提取每个线程的cpu_time、stack_size、is_alive状态
- 避免高频轮询（如
异步任务（asyncio）运行态观测
asyncio不创建OS线程，但存在事件循环负载、待执行任务堆积、协程阻塞等隐性问题。重点采集：
- 当前事件循环中pending task数量：len(asyncio.all_tasks())
- 事件循环延迟（loop.slow_callback_duration）是否持续超阈值（如0.1s）
- 用asyncio.create_task()包装的任务应带name参数，便于后续按名称统计耗时与失败率
- 配合trio或anyio时，需使用对应库的instrumentation接口，不可复用asyncio原生方法
关键指标埋点与聚合建议
单纯采集原始数据无意义，必须结合业务上下文打标并聚合：
立即学习“Python免费学习笔记（深入）”；
- 每个并发单元（如线程/worker/task）启动时记录ID、入口函数、启动时间戳
- 对HTTP请求类任务，用contextvars绑定request_id，在日志与指标中透传
- 推荐用Prometheus Client（python client）暴露/gauge和/histogram指标，例如：http_request_duration_seconds{method="POST",endpoint="/api/v1/upload",status="200"}
- 避免在热路径中做字符串拼接或JSON序列化，指标更新应轻量（如原子计数器+预设标签）
常见误判与避坑提示
很多性能问题被错误归因，需注意：
- GIL存在下，纯CPU密集型多线程不会提升吞吐，此时监控到高CPU但低吞吐，本质是GIL争用，应改用multiprocessing或C扩展
- psutil.cpu_percent()首次调用返回0，需至少调用两次间隔采样才有效
- asyncio.sleep(0)不是“让出控制权”的万能解，若大量协程同时await它，会导致事件循环空转，CPU飙升
- 线程池submit后不检查Future.result()异常，会导致错误静默丢失，应在监控中单独跟踪未完成/失败task比例
