Profiling Python 3.15 su web-edit, la preservazione dei terminatori di linea domina la CPU
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Il profiler integrato ha registrato preserve_endings in gran parte degli stack e SequenceMatcher come principale causa dei leaf sample, con la maggioranza degli stack proveniente dal worker di AnyIO.
Su 15.296 campioni CPU raccolti su “web-edit”, preserve_endings compare nel 64,8% degli stack. SequenceMatcher.find_longest_match pesa per il 38,3% dei leaf samples. Lo mostra il profiler integrato di Python 3.15, con flame graph e heatmap a supporto1.
Profiling.sampling guida l’analisi. L’app resta intatta, nessuna modifica al codice. Il carico è un editing “busy”, ripetuto. La visualizzazione affianca i numeri: flame graph e heatmap del sorgente fotografano dove si concentra il tempo1.
Campionare tutti i thread risulta decisivo. Il 95,1% degli stack arriva dal worker thread di AnyIO. Limitarsi al main thread avrebbe cancellato quasi tutto il segnale utile. La differenza di copertura incide sul profilo finale: sposta la maggioranza dei campioni fuori dal thread principale1.
I campioni raccontano un collo di bottiglia netto: la preservazione dei terminatori di riga misti domina sotto editing intenso. preserve_endings è la funzione più frequente negli stack osservati. Alla foglia torna spesso SequenceMatcher.find_longest_match, che spiega oltre un terzo dei campioni foglia. Due indicatori, un’unica storia: in questo scenario, la gestione delle fine-riga assorbe la maggior parte della CPU.
Il set di prova è esplicito. L’autore chiede a GPT-6 Astra Extra High in Codex di eseguire il nuovo profiler sulla sua app “web-edit”. Il prompt: “I need a Python 3.15 flame graph and heatmap demo of the ‘web-edit’ app from PyPI, research first then make me those demos”. Da qui nascono un flame graph e una heatmap di esempio, pubblicati insieme ai numeri del campionamento1.
Misure e asset restano allineati. Le percentuali di presenza nelle call stack fissano le priorità di indagine. Le viste grafiche mostrano il percorso del tempo speso riga per riga. Insieme, spiegano perché la preservazione dei terminatori di linea, in presenza di fine-riga misti, sovrasta il resto del carico in questo test.
Contesto e tempi sono tracciati. L’articolo porta la data del 12 ottobre 2026 e include i link al flame graph e alla heatmap di esempio. Nella stessa pagina compaiono i titoli degli articoli recenti, con le rispettive date. La collocazione temporale chiarisce quando è stato eseguito e documentato il profilo su Python 3.151.
Una conseguenza pratica emerge dal profilo: chi misura applicazioni asincrone deve includere tutti i thread. Altrimenti, come mostra il caso AnyIO, il campionamento perde la maggioranza delle tracce utili e suggerisce priorità fuorvianti1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.