在编写规则时，最常见的性能隐患是遍历或复制 从依赖项累积的数据。从整体上汇总时 因此这些操作很容易占用 O(N^2) 时间或空间。为了避免这种情况， 对了解如何有效使用抑郁症至关重要。
这可能很难正确实现，因此 Bazel 还提供了一个内存分析器 可帮助您找出可能犯错的地方。注意： 在将低效规则纳入考量范围之前， 广泛使用。
使用 Depset
每当从规则依赖项中汇总信息时，都应该使用 depsets。仅使用普通列表或字典来发布信息 当前规则的本地区域。
Depset 将信息表示为支持共享的嵌套图表。
请参考下图：
C -> B -> A
D ---^
每个节点发布一个字符串。使用 depsets 时，数据如下所示：
a = depset(direct=['a'])
b = depset(direct=['b'], transitive=[a])
c = depset(direct=['c'], transitive=[b])
d = depset(direct=['d'], transitive=[b])
请注意，每项只会被提及一次。使用列表，您可以得到以下结果：
a = ['a']
b = ['b', 'a']
c = ['c', 'b', 'a']
d = ['d', 'b', 'a']
请注意，在本例中，'a' 被提及了四次！对于较大的图表，
问题只会变得更糟。
以下是正确使用 Depset 的规则实施示例， 发布传递信息。请注意，可以在本地发布规则 使用列表获取信息，因为这不是 O(N^2)。
MyProvider = provider()
def _impl(ctx):
my_things = ctx.attr.things
all_things = depset(
direct=my_things,
transitive=[dep[MyProvider].all_things for dep in ctx.attr.deps]
)
...
return [MyProvider(
my_things=my_things, # OK, a flat list of rule-local things only
all_things=all_things, # OK, a depset containing dependencies
)]
如需了解详情，请参阅 depset 概览页面。
避免调用 depset.to_list()
您可以使用
to_list()，但这样做通常会导致 O(N^2)
费用。尽可能避免除调试之外的任何展平设置
目的。
一个常见的误解是，如果只这样做，你就可以自由地平缓心情
（例如 <xx>_binary 规则），则费用不是
累积的值。但仍然
您需要构建一组具有重叠依赖项的目标。这种情况会发生在
构建测试 //foo/tests/... 或在导入 IDE 项目时。
减少对 depset 的调用次数
在循环中调用 depset 通常是错误做法。它可能导致
非常深的嵌套，导致性能不佳。例如：
x = depset()
for i in inputs:
# Do not do that.
x = depset(transitive = [x, i.deps])
此代码可以轻松替换。首先，收集传递性偏差，然后 一次性合并所有标签：
transitive = []
for i in inputs:
transitive.append(i.deps)
x = depset(transitive = transitive)
有时可以使用列表理解来减少这一限制：
x = depset(transitive = [i.deps for i in inputs])
对命令行使用 ctx.actions.args()
构建命令行时，您应该使用 ctx.actions.args()。 这样一来，所有推迟的扩展都会推迟到执行阶段。
除了严格提升速度之外，这还可以减少 有时可能会高出 90% 甚至更多
以下是一些技巧：
直接以实参形式传递 Depset 和列表，而不是展平它们 。系统会为您增加
ctx.actions.args()的存储空间。 如果您需要对废弃内容进行任何转换，请查看 查看是否有任何项目需要支付相应费用，请查看 ctx.actions.args#add。通过将字符串串联在一起来构造字符串。 最好的字符串参数是一个常量，因为其内存将在 规则的所有实例
如果参数对命令行而言太长，则会添加
ctx.actions.args()对象 可以使用ctx.actions.args#use_param_file。这是 在执行操作时在后台完成的操作如果您需要明确指定 参数文件，您可以使用ctx.actions.write。
示例：
def _impl(ctx):
...
args = ctx.actions.args()
file = ctx.declare_file(...)
files = depset(...)
# Bad, constructs a full string "--foo=<file path>" for each rule instance
args.add("--foo=" + file.path)
# Good, shares "--foo" among all rule instances, and defers file.path to later
# It will however pass ["--foo", <file path>] to the action command line,
# instead of ["--foo=<file_path>"]
args.add("--foo", file)
# Use format if you prefer ["--foo=<file path>"] to ["--foo", <file path>]
args.add(format="--foo=%s", value=file)
# Bad, makes a giant string of a whole depset
args.add(" ".join(["-I%s" % file.short_path for file in files])
# Good, only stores a reference to the depset
args.add_all(files, format_each="-I%s", map_each=_to_short_path)
# Function passed to map_each above
def _to_short_path(f):
return f.short_path
传递操作输入应已停用
使用 ctx.actions.run 构建操作时，请勿
请记住，inputs 字段接受 depset。当输入为
从依赖项中传递。
inputs = depset(...)
ctx.actions.run(
inputs = inputs, # Do *not* turn inputs into a list
...
)
悬挂式
如果 Bazel 显示为挂起，可以按 Ctrl-\ 或发送
通过 Bazel 的 SIGQUIT 信号 (kill -3 $(bazel info server_pid)) 获取线程
转储到文件$(bazel info output_base)/server/jvm.out中。
由于如果 bazel 处于挂起状态，您可能无法运行 bazel info，因此
output_base 目录通常是 bazel-<workspace> 的父级
符号链接。
性能剖析
JSON 轨迹配置文件 有助于快速了解 Bazel 在调用期间花了时间。
--experimental_command_profile
标志，可用于捕获各种类型的 Java 飞行记录器配置文件
（CPU 时间、实际用时、内存分配和锁争用）。
--starlark_cpu_profile
标志可用于编写所有 Starlark 线程的 CPU 使用率的 pprof 配置文件。
内存分析
Bazel 附带一个内置的内存分析器，可以帮助您检查规则的 内存用量。如果出现问题，您可以转储相应堆以查找 导致该问题的确切代码行。
启用内存跟踪
您必须将以下两个启动标志传递给每次 Bazel 调用：
STARTUP_FLAGS=\
--host_jvm_args=-javaagent:<path to java-allocation-instrumenter-3.3.0.jar> \
--host_jvm_args=-DRULE_MEMORY_TRACKER=1
这些操作会以内存跟踪模式启动服务器。如果您忘记了 一次 Bazel 调用，服务器将重新启动，而您必须重新开始
使用内存跟踪器
例如，查看目标 foo 及其作用。仅接收者
运行分析而不是运行构建执行阶段，添加
--nobuild 标志。
$ bazel $(STARTUP_FLAGS) build --nobuild //foo:foo
接下来，查看整个 Bazel 实例使用了多少内存：
$ bazel $(STARTUP_FLAGS) info used-heap-size-after-gc
> 2594MB
使用 bazel dump --rules 按规则类对其进行细分：
$ bazel $(STARTUP_FLAGS) dump --rules
>
RULE COUNT ACTIONS BYTES EACH
genrule 33,762 33,801 291,538,824 8,635
config_setting 25,374 0 24,897,336 981
filegroup 25,369 25,369 97,496,272 3,843
cc_library 5,372 73,235 182,214,456 33,919
proto_library 4,140 110,409 186,776,864 45,115
android_library 2,621 36,921 218,504,848 83,366
java_library 2,371 12,459 38,841,000 16,381
_gen_source 719 2,157 9,195,312 12,789
_check_proto_library_deps 719 668 1,835,288 2,552
... (more output)
通过生成 pprof 文件来查看内存的流向
使用 bazel dump --skylark_memory：
$ bazel $(STARTUP_FLAGS) dump --skylark_memory=$HOME/prof.gz
> Dumping Starlark heap to: /usr/local/google/home/$USER/prof.gz
使用 pprof 工具调查堆。建议您从
使用 pprof -flame $HOME/prof.gz 获取火焰图。
从 https://github.com/google/pprof 获取 pprof。
获取用几行注释的最常用调用点的文本转储：
$ pprof -text -lines $HOME/prof.gz
>
flat flat% sum% cum cum%
146.11MB 19.64% 19.64% 146.11MB 19.64% android_library <native>:-1
113.02MB 15.19% 34.83% 113.02MB 15.19% genrule <native>:-1
74.11MB 9.96% 44.80% 74.11MB 9.96% glob <native>:-1
55.98MB 7.53% 52.32% 55.98MB 7.53% filegroup <native>:-1
53.44MB 7.18% 59.51% 53.44MB 7.18% sh_test <native>:-1
26.55MB 3.57% 63.07% 26.55MB 3.57% _generate_foo_files /foo/tc/tc.bzl:491
26.01MB 3.50% 66.57% 26.01MB 3.50% _build_foo_impl /foo/build_test.bzl:78
22.01MB 2.96% 69.53% 22.01MB 2.96% _build_foo_impl /foo/build_test.bzl:73
... (more output)