Riverfount :python: :linux: on Nostr: 🐍 Um dos posts mais lidos do blog continua fazendo sucesso — e faz sentido, ...

🐍 Um dos posts mais lidos do blog continua fazendo sucesso — e faz sentido, porque esse problema acontece em todo projeto Python que escala.
Você já otimizou o lugar errado porque "achava" que era ali? Intuição é um método caro. Profiling é o antídoto.
No post eu cubro a abordagem que funciona na prática:
🔍 cProfile — identifica onde o tempo está sendo gasto, linha a linha de chamada de função. Está na stdlib, não precisa instalar nada, e é suficiente pra 90% dos casos.
📊 pstats — filtra e interpreta os resultados. Ideal pra integrar em scripts de CI e comparar versões.
💾 memory_profiler — quando o problema não é tempo, é RAM. Mostra incremento de memória linha a linha. Aquele f.readlines() inocente que aloca 264 MB? Ele aparece.
A metodologia é simples: reproduza o problema de forma isolada → meça → encontre o culpado nos dados → corrija → meça de novo.
Sem dados, você otimiza o que parece lento. Com profiling, você sabe.
👉 https://www.riverfount.dev.br/posts/profiling-em-python/
#Python #SoftwareEngineering #Performance #Profiling #BackendDev