另一个解决方案是可以嵌入到您自己的utils.py中的函数

import time as time_ #make sure we don't override time
def millis():
    return int(round(time_.time() * 1000))

对于Python 3.7+， time.time_ns()给出自epoch以来以纳秒为单位经过的时间。

这给出了以毫秒为单位的整数时间:

import time

ms = time.time_ns() // 1_000_000

在3.7之后的Python版本中，最好的答案是使用time.perf_counter_ns()。如文件所述:

Time.perf_counter() ->浮点数

返回性能计数器的值(以小数秒为单位)，即具有最高可用分辨率的时钟，用于测量短时间。它确实包括睡眠期间所消耗的时间，并且是系统范围的。返回值的参考点未定义，因此只有连续调用结果之间的差值才是有效的。

Time.perf_counter_ns () -> int

类似于perf_counter()，但是返回以纳秒为单位的时间

正如它所说，这将使用您的系统所提供的最佳计数器，并且它是专门为测量性能而设计的(因此试图避免其他计时器的常见陷阱)。

它也给了你一个很好的纳秒整数，所以只要除以1000000就得到你的毫秒:

start = time.perf_counter_ns()
# do some work
duration = time.perf_counter_ns() - start
print(f"Your duration was {duration // 1000000}ms.")

这些以毫秒为单位的1000的乘法对于解决或使某些先决条件可以接受可能是不错的。它可以用来填补数据库中从未真正使用过它的空白。不过，在需要精确计时的真实情况下，它最终会失败。我不建议任何人将这种方法用于需要在特定时间进行操作或处理的关键任务操作。

例如: 往返ping在美国是30-80毫秒…你不能简单地把它加起来并有效地使用它。

我自己的例子要求每秒钟都有任务，这意味着如果我在第一个任务响应后进行四舍五入，我仍然会导致处理时间乘以每个主循环周期。结果是每60秒调用一次函数。一天大约1440英镑。不太准确。

只是一个想法，让人们寻找更准确的推理，而不是解决从未真正使用过的数据库差距。

在Python 3.8+中进行了一些测试后，我注意到这些选项给出了完全相同的结果，至少在Windows 10中是这样。

import time

# Option 1
unix_time_ms_1 = int(time.time_ns() / 1000000)
# Option 2
unix_time_ms_2 = int(time.time() * 1000)

请随意使用你更喜欢的一个，我不认为有任何需要比这个更复杂的解决方案。

只是Python 3+使用datetime模块的另一个解决方案。

时间到了，时间到了，时间到了。