如何在Python中获取当前系统状态(当前CPU、RAM、空闲磁盘空间等)?理想情况下，它可以同时适用于Unix和Windows平台。
从我的搜索中似乎有一些可能的方法:
使用像PSI这样的库(目前似乎没有积极开发，在多个平台上也不支持)或像pystatgrab这样的库(从2007年开始似乎没有活动，也不支持Windows)。 使用平台特定的代码，例如使用os.popen("ps")或*nix系统的类似代码，以及ctypes.windll中的MEMORYSTATUS。Windows平台的kernel32(请参阅ActiveState上的配方)。可以将所有这些代码片段放在一个Python类中。
这并不是说这些方法不好，而是是否已经有一种支持良好的多平台方式来做同样的事情?
当前回答
关于CPU的详细信息，请使用psutil库 https://psutil.readthedocs.io/en/latest/#cpu 对于RAM频率(以MHz为单位)，使用内置的Linux库dmidecode并操作输出位;)。此命令需要root权限，因此也需要提供您的密码。只需复制以下推荐替换mypass与您的密码
进口操作系统 操作系统。system("echo mpass | sudo -S dmidecode -t memory | grep 'Clock Speed' | cut -d ':' -f2") ------------------- 输出 --------------------------- 1600吨/秒 未知的 1600吨/秒 未知的0
更具体的 [i在os中的i。]popen("echo mpass | sudo -S dmidecode -t memory | grep 'Clock Speed' | cut -d ':' -f2").read()。if i.isdigit()]
-------------------------- 输出 ------------------------- [' 1600 ', ' 1600 ']
其他回答
你可以在subprocess中使用psutil或psmem 示例代码
import subprocess
cmd = subprocess.Popen(['sudo','./ps_mem'],stdout=subprocess.PIPE,stderr=subprocess.PIPE)
out,error = cmd.communicate()
memory = out.splitlines()
参考
https://github.com/Leo-g/python-flask-cmd
psutil库提供了各种平台上关于CPU、RAM等的信息:
psutil是一个模块，提供了一个接口，通过使用Python以可移植的方式检索正在运行的进程和系统利用率(CPU，内存)的信息，实现了ps、top和Windows任务管理器等工具提供的许多功能。 它目前支持Linux, Windows, OSX, Sun Solaris, FreeBSD, OpenBSD和NetBSD, 32位和64位架构，Python版本从2.6到3.5 (Python 2.4和2.5的用户可能使用2.1.3版本)。
一些例子:
#!/usr/bin/env python
import psutil
# gives a single float value
psutil.cpu_percent()
# gives an object with many fields
psutil.virtual_memory()
# you can convert that object to a dictionary
dict(psutil.virtual_memory()._asdict())
# you can have the percentage of used RAM
psutil.virtual_memory().percent
79.2
# you can calculate percentage of available memory
psutil.virtual_memory().available * 100 / psutil.virtual_memory().total
20.8
以下是其他文档，提供了更多的概念和感兴趣的概念:
https://psutil.readthedocs.io/en/latest/
关于CPU的详细信息，请使用psutil库 https://psutil.readthedocs.io/en/latest/#cpu 对于RAM频率(以MHz为单位)，使用内置的Linux库dmidecode并操作输出位;)。此命令需要root权限，因此也需要提供您的密码。只需复制以下推荐替换mypass与您的密码
进口操作系统 操作系统。system("echo mpass | sudo -S dmidecode -t memory | grep 'Clock Speed' | cut -d ':' -f2") ------------------- 输出 --------------------------- 1600吨/秒 未知的 1600吨/秒 未知的0
更具体的 [i在os中的i。]popen("echo mpass | sudo -S dmidecode -t memory | grep 'Clock Speed' | cut -d ':' -f2").read()。if i.isdigit()]
-------------------------- 输出 ------------------------- [' 1600 ', ' 1600 ']
基于cpu使用代码@Hrabal，这是我使用的:
from subprocess import Popen, PIPE
def get_cpu_usage():
''' Get CPU usage on Linux by reading /proc/stat '''
sub = Popen(('grep', 'cpu', '/proc/stat'), stdout=PIPE, stderr=PIPE)
top_vals = [int(val) for val in sub.communicate()[0].split('\n')[0].split[1:5]]
return (top_vals[0] + top_vals[2]) * 100. /(top_vals[0] + top_vals[2] + top_vals[3])
要逐行分析程序的内存和时间，我建议使用memory_profiler和line_profiler。
安装:
# Time profiler
$ pip install line_profiler
# Memory profiler
$ pip install memory_profiler
# Install the dependency for a faster analysis
$ pip install psutil
常见的部分是，通过使用各自的装饰器指定要分析的函数。
例子:我有几个函数在我的Python文件main.py，我想分析。其中之一是linearRegressionfit()。我需要使用装饰器@profile，它可以帮助我分析关于时间和内存的代码。
对函数定义进行以下更改
@profile
def linearRegressionfit(Xt,Yt,Xts,Yts):
lr=LinearRegression()
model=lr.fit(Xt,Yt)
predict=lr.predict(Xts)
# More Code
对于时间分析，
Run:
$ kernprof -l -v main.py
输出
Total time: 0.181071 s
File: main.py
Function: linearRegressionfit at line 35
Line # Hits Time Per Hit % Time Line Contents
==============================================================
35 @profile
36 def linearRegressionfit(Xt,Yt,Xts,Yts):
37 1 52.0 52.0 0.1 lr=LinearRegression()
38 1 28942.0 28942.0 75.2 model=lr.fit(Xt,Yt)
39 1 1347.0 1347.0 3.5 predict=lr.predict(Xts)
40
41 1 4924.0 4924.0 12.8 print("train Accuracy",lr.score(Xt,Yt))
42 1 3242.0 3242.0 8.4 print("test Accuracy",lr.score(Xts,Yts))
对于内存剖析，
Run:
$ python -m memory_profiler main.py
输出
Filename: main.py
Line # Mem usage Increment Line Contents
================================================
35 125.992 MiB 125.992 MiB @profile
36 def linearRegressionfit(Xt,Yt,Xts,Yts):
37 125.992 MiB 0.000 MiB lr=LinearRegression()
38 130.547 MiB 4.555 MiB model=lr.fit(Xt,Yt)
39 130.547 MiB 0.000 MiB predict=lr.predict(Xts)
40
41 130.547 MiB 0.000 MiB print("train Accuracy",lr.score(Xt,Yt))
42 130.547 MiB 0.000 MiB print("test Accuracy",lr.score(Xts,Yts))
此外，还可以使用matplotlib using绘制内存分析器结果
$ mprof run main.py
$ mprof plot
注:测试于
Line_profiler version == 3.0.2
Memory_profiler version == 0.57.0
Psutil版本== 5.7.0
编辑:可以使用TAMPPA包解析分析器的结果。使用它，我们可以逐行得到所需的图
