Dans mgpy, les problemes memoire apparaissent souvent lentement: gros rapports, fichiers d historique, caches ou artefacts de build grossissent plus longtemps sans etre vus qu un simple pic de temps CPU.
Points cles
- CLI: Sous Windows, les exemples utilisent la forme recommandee
py -3.12 -m <module> ...(par ex.py -3.12 -m manifestguard ...). Sous Linux/macOS, cela correspond generalement apython3.12 -m .... - Surveiller les runs mgpy qui produisent de gros rapports JSON, de longues historiques et des dependances chargees plusieurs fois.
- Des executions CLI courtes ne doivent pas laisser de caches globaux inutiles.
- Le profilage memoire compte surtout lorsque les checks etendus tournent en CI ou sur de petits runners.
Workflow mgpy recommande
- Construire d abord des scenarios reproductibles avec de gros projets ou de gros fichiers de rapport.
- Identifier ensuite les objets et fichiers qui grossissent sans raison sur plusieurs runs mgpy.
- Apres les corrections memoire, regenerer les memes rapports et verifier que le resultat reste equivalent.
Demarrage rapide
py -3.12 -m manifestguard check --extended --report .manifestguard/large-run.json
py -3.12 -m manifestguard baseline --list
py -3.12 -m manifestguard export-metrics --output metrics.json