这篇继续来聊一下调试与剖析这个话题。
一般软件调试使用GDB来进行，不过对GDB熟悉的不一定多。我认识的几个Google出来的工程师，使用GDB并不多。其中一个Google的工程师甚至说，使用glog打印一些日志，基本就可以看出问题了，要什么GDB啊。
如果说代码质量比较高的话，边界的测试比较多，确实不太需要使用到GDB。不过大型项目就不好说的，因为依赖的代码错综复杂，可能你的代码质量很高，但是依赖的third party质量一般，有一些隐藏的Bug，甚至操作系统有一些隐藏的Bug也不无可能，所以还是需要学会一些调试技巧。
接触的Google相关的调试技巧并不多，其中有一个是用于收集崩溃报告的。一般我们发生了crash，会生成core dump文件，但是core dump文件很大，存储和上传都比较困难，这时候是否可以考虑生成一个比较小的文件，包括一些比较关键的信息呢？当然是可以的，Google 就有一个开源的C++项目，叫做breakpad，官方是这么介绍的：
Breakpad is a library and tool suite that allows you to distribute an application to users with compiler-provided debugging information removed, record crashes in compact “minidump” files, send them back to your server, and produce C and C++ stack traces from these minidumps. Breakpad can also write minidumps on request for programs that have not crashed.
Breakpad项目目前被以下项目使用到：Google Chrome, Firefox, Google Picasa, Camino, Google Earth等。
breakpad主要包含三部分：client， symbol dumper 和 processor。client负责生成minidump文件，symbol dumper 则定义了自己的一个文件格式，读取编译器生成的调试信息，转换为自定义的符号文件。而processor则负责读取上传到服务器段的minidump文件，为相关版本的二进制文件和minidump文件提到的动态库查找对应的符号文件，然后生成人可读的C/C++堆栈信息。
以我的理解，breakpad主要就几个事情：
1，怎么捕获和处理各个平台的异常，然后在处理函数中，收集必要的信息并保持到文件中。需要设计一个自定义的文件格式，格式应该比较紧凑。
2，将信息上传到服务器。
3，服务器存储minidump文件的时候，按照相关版本的binary来索引。
4，要使用minidump来分析问题的时候，需要将相关的binary，动态库都找到，然后生成函数堆栈信息。怎么去遍历堆栈信息，打印出函数名等比较方便定位到相关代码的信息，是比较关键的，可以参考以下文档：
https://chromium.googlesource.com/breakpad/breakpad/+/master/docs/stack\_walking.md
总结下软件调试：
1，代码质量过硬的话，确实在日常开发中不太需要使用到比较复杂的GDB调试技巧。
2，复杂项目，难免出现软件崩溃、内存泄露、死锁等问题，掌握一些调试技巧还是有帮助的。
3，复杂环境，比如客户端软件，典型的比如浏览器，聊天软件，下载软件等，一般都会出现崩溃，比如大家在使用电脑的过程中，应该碰到过不少次IE浏览器异常退出，QQ崩溃，或者电驴软件崩溃等现象。这个时候就要求客户端软件能够在崩溃的时候，能够自动收集崩溃信息到后台，从而在后台能够定位问题，让软件在下一个版本变得更加稳定。
聊完了调试部分，我们接着再来说剖析（Profiling）。一般有两个场景，一个是看内存的使用情况（Heap profiling），比如，看看内存都被哪些代码分配的，从而给内存优化找到放心，再比如，另一个是出现了内存泄露的话，怎么去定位并解决。一个是看CPU资源都被哪些代码使用了，以有的放矢地开展性能优化。
做这些性能剖析，Google内部使用比较多的gperftools，开源版本的项目的地址为：
https://github.com/gperftools/gperftools
官方是这么介绍的：
The fastest malloc we’ve seen; works particularly well with threads and STL. Also: thread-friendly heap-checker, heap-profiler, and cpu-profiler.
gperftools is a collection of a high-performance multi-threaded malloc() implementation, plus some pretty nifty performance analysis tools.
简单来说就是，它是Google内部使用的性能分析工具。该项目实现了性能非常好的malloc版本tcmalloc, 并且多线程安全，和STL的兼容性也很好。此外，它还实现了一些剖析工具，比如内存剖析、内存泄露检测、CPU剖析。
tcmalloc 我没有系统介绍过，不过类似的实现jemalloc, 本公众号曾经详细介绍过，没读过的推荐看看：《【译】使用jemalloc实现可扩展的内存分配》。本文就不具体介绍tcmalloc的实现了，放一下之前这篇文件的个人文字吧：
大家在编程中经常使用 malloc() 函数，很多工程师可能觉得这是一个系统调用，其实不是的，mmap(), sbrk() 等才是系统调用，malloc() 是 glibc 等内存分配器中实现的内存分配函数，是用户态函数。
如果大家对 malloc 的实现比较感兴趣，可以去下载 glibc 的源代码阅读。malloc 的 glibc 实现，有不少不足之处，其中就包括内存峰值比较高（分配器自身的 overhead 大），线程多的时候内存分配比较慢等问题。工业界常用的还有 tcmalloc 和 jemalloc, 前者在谷歌内部广泛使用，后者在 Facebook 内部广泛使用。这篇文章是 jemalloc 的作者 Jason Evans 写的，内容切中要害，也还算通俗易懂，因此翻译出来，和读者分享。文中根据我自己的理解和经验，补充了一定的译注，希望对读者阅读有帮助。
考虑以后找个时间写一两篇介绍谷歌 tcmalloc 的文章。目前我们公司内部使用 tcmalloc 更多一些，我本人也详细阅读过 tcmalloc 的源代码，并根据项目需求，做过一定的改造，以解决一些难搞的内存问题。
值得一提的是，tcmalloc 的作者，就是和 Jeff Dean 齐名的谷歌大神 Sanjay Ghemawat，最近有几篇文章讲他们的传奇故事的。jeaf dean 的代码，可以看看开源的 leveldb, Sanjay的代码，我搜索了下，似乎就只有tcmalloc 是开源的了。如果读者们也膜拜这两位工业界的大神，不妨找来他们的开源项目，读读代码。后续有时间的话，我会写篇文章介绍下他们两位开源的项目，在谷歌内部广为人知的项目，以及他们发表的一些论文和对外分享的 PPT。
在我工作的第一家公司里，所有的binary都是默认链接tcmalloc的，大部分情况下，性能会得到不少提升。
下面通过一张图来大概看看tcmalloc的内部架构：
想要了解tcmalloc原理的，可以详细阅读下这篇文档：
https://github.com/google/tcmalloc/blob/master/docs/design.md
有关内存问题，有时候我们是为了分析内存都去哪里了，有时候是要找出来内存泄露在哪里。如果泄露的内存很大，一般做一下heap profiling，就可以快速定位出来了，因为跑得越久，泄露内存的地方，占据内存的比例越大。而如果内存泄露很小，比如跑一天下来，才泄露几M内存，就不容易通过heap profiling来定位了。这类问题，我们往往是通过在单元测试中进行内存泄露检测来实现的。在测试程序结束的时候，将内存检测的结果输出，如果发现了泄露，就生成一个报告，必要的话，就让整个测试的结果判定为失败。
内存泄露问题相对来说比较复杂，比如上面提及的泄露几M的问题，也可以通过输出多个profiler文件，比较各个函数分配的内存比例，来定位随着运行时间越长，哪些函数分配的内存比例越高。也就是说，无法通过一份profiler文件来定位，因为可能分配的内存很小，泄露了很多次，总体的内存占比也不够高。这时候就只好通过对比比例的变化，来判定是否出现了泄露了。
再说一个内存分析的问题。有时候在嵌入式平台，运行heap profiling是非常慢的，主要是因为stack unwind过程非常慢。有时候一个程序运行十几个小时，我们才确认出现了内存泄露的现象，这个时候如果打开heap profiling，程序的运行速度会成数量级的降低，很可能需要跑好几个月，才能从profiling result中看出问题。而这显然不具有可行性，就和机器学习训练任务一样，如果一个训练任务需要好几个月，做实验的话肯定连自杀的心都有了。当时我们的解决方案是，给gperftools打了个补丁，对stack unwind操作做了一定的采样比例，从而让程序的运行速度保持在同一个数量级上。通过这个改动，解决了一两个顽固的内存泄露问题。
说完了内存剖析，就是性能分析了。那么Google的CPU profiling怎么使用呢？大概分为三步：1，链接gperftools library到二进制，2，运行程序，3，使用pprof工具分析，输出profiling结果。想要了解更多细节的，可以阅读下面的文章：
https://gperftools.github.io/gperftools/cpuprofile.html
通过做cpu profiling，可以拿到某个函数消耗CPU的大概比例。比如下图：
从图中可以比较方便地看出来，如果要进行性能优化的话，优先级应该安排安排（按照图中矩形的面积大小即可）。除了上面的输出方式外，其实输出火焰图方式的性能剖析工具也比较流行，有兴趣的可以自行搜索下。
说到性能分析，我面试过的大部分工程师，都不知道怎么在不看具体代码的情况下，去对程序的性能问题进行大概的摸底调研。换句话说，类似gperftools的工具，大部分工程师都没有使用过。
不过有了工具其实还不够，主要还是要掌握足够多的性能优化技巧。性能优化方面，我之前写过几篇短文，列在这里：
《性能优化分享 -- static search set 篇》
有关性能优化部分，计划近期专门写一篇文章，详细总结下之前的经验，另外也总结下阅读过的比较不错的书籍，以及文章。希望通过那篇文章，给之前几年在性能优化方面做过的学习和探索做一个总结。
