# 性能调优

## 概述

Flask 应用的性能调优涉及 Gunicorn Worker 配置、数据库连接池、Redis 缓存策略、慢查询优化等多个层面。合理的调优能显著提升并发处理能力和响应速度。

:::tip 性能调优原则
1. 先测量，后优化：用数据说话，避免盲目调参
2. 瓶颈优先：找到最大瓶颈，集中优化
3. 渐进式：每次只调整一个参数，观察效果
:::

## Gunicorn Worker 配置

### Worker 数量

```bash
# 单 Worker（开发环境）
python app.py

# 多 Worker（生产环境）
gunicorn -w 4 -b 0.0.0.0:8021 app:app
```

:::tip Worker 数量公式
推荐 Worker 数量 = `CPU 核心数 * 2 + 1`

例如 4 核 CPU：`workers = 4 * 2 + 1 = 9`

查看 CPU 核心数：
```bash
# Linux
nproc

# Python
import multiprocessing; print(multiprocessing.cpu_count())
```
:::

### 启动方式选择

| 方式 | 适用场景 | 特点 |
|------|---------|------|
| `python app.py` | 开发调试 | 单进程，自动重载 |
| `gunicorn -w N` | 生产部署 | 多进程，无自动重载 |
| `gunicorn --threads N` | 生产部署 | 多线程模式 |

### Gunicorn 配置示例

```bash
pip install gunicorn

gunicorn app:app \
    --workers 4 \
    --bind 0.0.0.0:8021 \
    --timeout 120 \
    --keep-alive 5 \
    --max-requests 1000 \
    --max-requests-jitter 50
```

:::tip max-requests 作用
`--max-requests 1000` 表示每个 Worker 处理 1000 个请求后自动重启，防止内存泄漏累积。`--max-requests-jitter 50` 添加随机抖动，避免所有 Worker 同时重启。
:::

### Gunicorn 配置文件

创建 `gunicorn.conf.py` 配置文件：

```python
# gunicorn.conf.py
import multiprocessing

# 绑定地址
bind = "0.0.0.0:8021"

# Worker 数量
workers = multiprocessing.cpu_count() * 2 + 1

# Worker 类型
worker_class = "sync"

# 线程数（worker_class="gthread" 时生效）
threads = 2

# 超时时间
timeout = 120

# 保持连接
keepalive = 5

# 最大请求数（防止内存泄漏）
max_requests = 1000
max_requests_jitter = 50

# 日志
accesslog = "-"
errorlog = "-"
loglevel = "info"
```

使用配置文件启动：

```bash
gunicorn -c gunicorn.conf.py app:app
```

## 数据库连接池

SQLAlchemy 连接池配置（在 `config/database.py` 中）：

```python
# 连接池配置
SQLALCHEMY_POOL_SIZE = 20       # 连接池大小
SQLALCHEMY_MAX_OVERFLOW = 10    # 超出池大小的最大连接数
SQLALCHEMY_POOL_TIMEOUT = 30    # 获取连接超时（秒）
SQLALCHEMY_POOL_RECYCLE = 3600  # 连接回收时间（秒）
```

:::warning 连接池大小
连接池总连接数 = `pool_size + max_overflow`。需确保不超过数据库的 `max_connections` 限制，否则会报连接数超限错误。

MySQL 查看最大连接数：
```sql
SHOW VARIABLES LIKE 'max_connections';
```
:::

### 连接池监控

```python
# 获取连接池状态
from src.core.database import engine
pool = engine.pool
print(f"池大小: {pool.size()}")
print(f"已签出: {pool.checkedout()}")
print(f"空闲数: {pool.checkedin()}")
print(f"溢出数: {pool.overflow()}")
```

## Redis 缓存优化

### 缓存策略

| 策略 | 适用场景 | 实现方式 |
|------|---------|---------|
| 读缓存 | 字典、配置等读多写少 | 查询时先读 Redis，未命中再查 DB |
| 写失效 | 数据更新时 | 更新 DB 后删除 Redis 缓存 |
| 预热 | 服务启动时 | 启动后主动加载热点数据到 Redis |

### TTL 设置建议

```python
# 字典数据：较长 TTL（变更频率低）
DICT_CACHE_TTL = 3600       # 1 小时

# 用户权限：中等 TTL（登录时刷新）
PERM_CACHE_TTL = 1800       # 30 分钟

# 验证码：短 TTL（一次性使用）
CAPTCHA_CACHE_TTL = 300     # 5 分钟
```

### 缓存预热

```python
# 服务启动时预热缓存
def warmup_cache():
    """预热字典、配置等热点数据"""
    from src.common.utils.dict_util import refresh_dict_cache
    refresh_dict_cache()
```

## 慢查询优化

### 开启慢查询日志

MySQL：
```sql
SET GLOBAL slow_query_log = ON;
SET GLOBAL long_query_time = 1;
SET GLOBAL slow_query_log_file = '/var/log/mysql/slow.log';
```

### 常见优化手段

| 问题 | 优化方案 |
|------|---------|
| 缺少索引 | 为 WHERE/ORDER BY 字段添加索引 |
| 全表扫描 | 使用 EXPLAIN 分析查询计划 |
| N+1 查询 | 使用 joinedload/subqueryload 预加载关联数据 |
| 大分页 | 使用游标分页或延迟关联 |
| SELECT * | 只查询需要的字段 |

### 索引优化示例

```python
# 模型定义中添加索引
class Article(BaseModel, BaseDB):
    __tablename__ = DB_PREFIX + "article"

    title = Column(String(255), index=True)        # 单列索引
    status = Column(Integer, index=True)
    category_id = Column(Integer, index=True)

    # 复合索引（在 __table_args__ 中定义）
    __table_args__ = (
        Index('idx_status_category', 'status', 'category_id'),
    )
```

### 分页查询优化

```python
# 避免大分页：使用游标分页
# 差：OFFSET 100000 LIMIT 10（扫描大量数据）
# 好：WHERE id > last_id LIMIT 10（利用主键索引）

def paginate_after_id(self, after_id: int, limit: int = 10):
    """游标分页：基于上次最后一条记录的 ID"""
    return cls.model.query.filter(
        cls.model.id > after_id,
        cls.model.is_delete == 0
    ).order_by(cls.model.id.asc()).limit(limit).all()
```

## 同步架构优化

### 线程池配置

Flask 使用 Gunicorn 的 sync worker，每个 worker 处理一个请求。可以通过多 worker 和多线程提升并发：

```bash
# 多 worker + 多线程
gunicorn app:app \
    --workers 4 \
    --threads 2 \
    --worker-class gthread \
    --bind 0.0.0.0:8021
```

### 异步任务

对于耗时操作（如邮件发送、文件处理），使用 Celery 等异步任务队列：

```python
from celery import Celery

celery = Celery('tasks', broker='redis://localhost:6379/0')

@celery.task
def send_email(to, subject, body):
    """异步发送邮件"""
    # 发送邮件逻辑
    pass
```

## 总结

性能调优的核心路径：Gunicorn 多 Worker 利用多核 CPU、数据库连接池匹配并发需求、Redis 缓存减少 DB 压力、索引和查询优化降低慢查询。建议先用监控数据定位瓶颈，再针对性调优，每次只调整一个参数并观察效果。