O que Performance Profiler faz?
Identifica e sugere correções para gargalos comuns de desempenho em código.
Quando Usar
- O usuário relata problemas de desempenho ou código lento
- Solicitações de otimização
- Revisão de código para desempenho
- O usuário menciona "lento", "gargalo", "otimização", "vazamento de memória"
Instruções
1. Identificar Antipadrões de Desempenho
Problemas de Consulta N+1:
// Ruim: Consultas N+1
users.forEach(user => {
const posts = db.query('SELECT * FROM posts WHERE user_id = ?', user.id);
});
// Bom: Única consulta com JOIN
const usersWithPosts = db.query('SELECT * FROM users LEFT JOIN posts ON users.id = posts.user_id');
Loops Ineficientes:
# Ruim: Loops aninhados O(n²)
for item in list1:
for other in list2:
if item.id == other.id:
process(item, other)
# Bom: O(n) com hash map
lookup = {other.id: other for other in list2}
for item in list1:
if item.id in lookup:
process(item, lookup[item.id])
Re-renderizações Desnecessárias (React):
// Ruim: Cria novo objeto a cada render
<Component style={{ margin: 10 }} />
// Bom: Definir fora ou usar useMemo
const style = { margin: 10 };
<Component style={style} />
Vazamentos de Memória:
- Listeners de eventos não removidos
- Timers não limpos
- Referências circulares
- Caches grandes sem limites
Operações Bloqueantes:
- E/S de arquivo síncrona
- Cálculos longos na thread da UI
- Paginação ausente
2. Desempenho de Banco de Dados
Verificar:
- Índices ausentes em chaves estrangeiras
- SELECT * em vez de colunas específicas
- Consultas em loops (N+1)
- Limites de consulta ausentes
- JOINs ineficientes
Sugerir:
- Adicionar índices:
CREATE INDEX idx_user_id ON posts(user_id); - Usar carregamento antecipado (eager loading)/prefetching
- Implementar paginação
- Usar analisadores de consulta de banco de dados (EXPLAIN)
3. Complexidade Algorítmica
Identificar:
- Algoritmos O(n²) ou piores
- Cálculos redundantes
- Ordenações desnecessárias
- Estruturas de dados ineficientes
Correções comuns:
- Hash maps para busca O(1) vs busca em array O(n)
- Busca binária O(log n) vs busca linear O(n)
- Memoização para cálculos repetidos
- Avaliação preguiçosa para operações caras
4. Desempenho Frontend
Verificar:
- Tamanhos grandes de bundle
- Imagens não otimizadas
- Code splitting ausente
- Componentes React ineficientes
- Memoização ausente
Sugerir:
- Carregamento preguiçoso:
const Component = lazy(() => import('./Component')); - Otimização de imagens
- Debounce/throttle para operações caras
- Rolagem virtual para listas longas
- Web Workers para cálculos pesados
5. Desempenho de Rede
Problemas:
- Muitas requisições HTTP
- Payloads grandes
- Cache ausente
- Requisições síncronas
Soluções:
- Agrupar/concatenar recursos
- Implementar compressão (gzip, brotli)
- Usar multiplexação HTTP/2
- Adicionar cabeçalhos de cache
- Requisições paralelas vs sequenciais
6. Gerar Relatório de Desempenho
Análise de Desempenho
=====================
Problemas Críticos (Corrigir Imediatamente):
1. Consulta N+1 em UserController.index (file.js:45)
- Impacto: 100+ consultas de BD por requisição
- Correção: Usar eager loading ou JOIN
2. Vazamento de memória em EventEmitter (file.js:120)
- Impacto: Memória cresce sem limites
- Correção: Remover listeners na limpeza
Alta Prioridade:
3. Loop O(n²) em processData (file.js:200)
- Impacto: Lento para grandes conjuntos de dados
- Correção: Usar hash map para O(n)
Média Prioridade:
4. Otimização de imagens ausente
- Impacto: Carregamento lento de página
- Correção: Usar next/image ou otimizar manualmente
7. Ferramentas de Profiling
JavaScript:
- Aba Performance do Chrome DevTools
- Flag Node.js --inspect
console.time()/console.timeEnd()
Python:
- Módulo cProfile
- line_profiler
- memory_profiler
Banco de Dados:
- EXPLAIN / EXPLAIN ANALYZE
- Log de consultas lentas
- pg_stat_statements (PostgreSQL)
Melhores Práticas
- Perfilar antes de otimizar
- Focar em caminhos críticos (regra 80/20)
- Medir o impacto das mudanças
- Considerar trade-offs entre legibilidade e desempenho
- Documentar seções críticas de desempenho