pprof 是 Go 官方性能分析工具，需合理启用 HTTP 接口或 runtime/pprof 写文件；CPU profile 采样需足够时长，heap profile 要加 ?gc=1 查存活对象；goroutine 泄漏需用 debug=2 查全量栈；避免 hot path 频繁 time.Now() 和日志拼接；trace 和逃逸分析辅助定位根本瓶颈。
用 pprof 抓住 CPU 和内存热点
Go 自带的 pprof 是定位性能瓶颈最直接的工具，不需要第三方依赖，只要程序启用了 HTTP 服务或能导出 profile 文件就能用。关键不是“会不会开”，而是“在哪开、什么时候开、看什么指标”。
- HTTP 方式最常用：在主程序中加
import _ "net/http/pprof"，然后启动http.ListenAndServe("localhost:6060", nil)，访问http://localhost:6060/debug/pprof/就能看到可用 profile 类型 - CPU profile 要持续采样（默认 30 秒）：
go tool pprof http://localhost:6060/debug/pprof/profile?seconds=60，时间太短可能错过间歇性热点 - 内存 profile 看的是堆分配总量（
/debug/pprof/heap），不是实时占用；想看对象存活情况，得加?gc=1强制 GC 后采集 - 避免在生产环境长期开启
net/http/pprof，它会暴露内部状态；临时调试建议用runtime/pprof手动写文件，再离线分析
识别 goroutine 泄漏和阻塞点
大量 goroutine 不退出是 Go 服务内存上涨、响应变慢的典型信号，但 pprof/goroutine 默认只显示正在运行或阻塞的 goroutine，容易漏掉“已启动但卡在 channel receive 或 mutex 上”的情况。
- 用
go tool pprof http://localhost:6060/debug/pprof/goroutine?debug=2查看所有 goroutine 的完整调用栈，debug=2是关键，否则只看到摘要 - 重点关注状态为
chan receive、semacquire（mutex/cond）、select的 goroutine，它们往往卡在未关闭的 channel、未释放的锁、或永远等不到的 case 上 - 如果 goroutine 数量随请求线性增长，大概率是忘了
defer cancel()或没关 channel；用go vet -shadow检查变量遮蔽也可能提前发现 cancel 函数被覆盖的问题
避免被 time.Now() 和日志拖慢吞吐
高频调用 time.Now() 或同步写日志（如 log.Printf）在压测时经常成为隐藏瓶颈，尤其在高并发场景下，它们看似轻量，实则触发系统调用或锁竞争。
-
time.Now()在 Linux 上底层调用clock_gettime(CLOCK_MONOTONIC, ...)，虽比gettimeofday快，但每毫秒调用万次仍可观测到明显开销；可考虑用runtime.nanotime()（纳秒级单调时钟，无系统调用）做相对时间差，仅在必要时转成time.Time - 日志不要在 hot path 上拼接字符串：
log.Printf("req %s took %v", reqID, dur)会强制格式化，改用结构化日志库（如zap）的Sugar模式，或至少把格式化逻辑包进if logLevel >= Debug条件里 - 用
go tool trace可直观看到 Goroutine 被调度器抢占、系统调用阻塞的时间点，比如某段逻辑频繁触发syscall.Read或syscall.Write，就该怀疑日志或监控打点是否同步刷盘
GC 压力大时别只盯着 GOGC
GC 频繁触发导致 STW 时间上升，很多人第一反应调大 GOGC，但实际更常见原因是对象生命周期过长、指针过多、或逃逸分析失效导致本该栈分配的对象堆化了。
立即学习“go语言免费学习笔记（深入）”；
- 先看
go tool pprof http://localhost:6060/debug/pprof/heap的 topN，如果runtime.mallocgc占比高，说明分配热点集中；再用go tool pprof --alloc_space看累计分配量，确认是不是短期对象没及时回收 - 用
go build -gcflags="-m -m"检查关键函数里哪些变量逃逸到了堆上；常见诱因包括：返回局部变量地址、传入接口类型参数、闭包捕获大对象 -
GOGC=200并不总比100好——它让 GC 更晚触发，但单次扫描更多对象，STW 可能反而更长；真正有效的是减少堆分配，比如复用sync.Pool中的 buffer，或把小结构体转成数组索引管理
var bufPool = sync.Pool{
New: func() interface{} {
b := make([]byte, 0, 1024)
return &b
},
}
真正难的不是跑通 pprof，而是从火焰图里看出哪一行代码不该在那里——比如一个 json.Unmarshal 调用出现在 HTTP handler 顶层，却占了 40% CPU，那问题大概率不在 JSON 解析器本身，而在上游传来的数据结构设计不合理，导致反复 decode 同一字段。
