python并发编程-进程池线程池-协程-I/O模型-04

suwanbin

发布于 2019-09-26 10:05:14

8180

发布于 2019-09-26 10:05:14

文章被收录于专栏：小码农漫漫积累路小码农漫漫积累路

进程池线程池的使用`*****`

无论是开线程还是开进程都会消耗资源，即使开线程消耗的资远比开进程的少

而物理设备的性能是有限的，虽然可以加设备来提升上限，但如果像淘宝双十一那样，只有很少的时刻需要大量的资源，为了满足这个去买一大堆服务器显然是不划算的

（计算机中）池的目的：在保证计算机硬件安全的情况下最大限度的利用计算机硬件，池其实是降低了程序的运行效率，但是保证了计算机硬件的安全（硬件的发展跟不上软件的速度）

进程池线程池的目的：为了限制开设的进程数和线程数，从而保证计算机硬件的安全

进程池/线程池的创建和提交回调

import random
import time
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor


def task(i):
    time.sleep(random.random())
    print(f"{i} is over...")
    return f"{i}² = {i * i}"


if __name__ == '__main__':  # 进程池的时候一定要放在这里面
    '''不放报错 concurrent.futures.process.BrokenProcessPool: A process in the process pool was terminated abruptly while the future was running or pending.'''

    # -------------------------------------------------
    # 1.实例化进程池/线程池对象，并限制进程池/线程池中进程/线程数量
    # -------------------------------------------------
    # pool = ThreadPoolExecutor(3, 'MyThread-')  # 不指定参数的情况下，默认是当前 CPU个数*5 ， 也可以指定线程个数
    pool = ProcessPoolExecutor(3)  # 不指定参数的情况下，默认是当前 CPU个数 ， 也可以指定进程个数（创进程不能传第二个参数）

    # for i in range(5):
    #     # -------------------------------------------------
    #     # 2.线程池对象.submit() 异步提交任务
    #     #   提交任务的两种方式
    #     #       同步：提交完任务之后，在原地等待任务的返回结果，再继续执行下一步代码
    #     #       异步：提交任务之后，不等待任务的返回结果（这个结果怎么拿？），直接进行下一步操作
    #     # -------------------------------------------------
    #     pool.submit(task, i)
    # print("主")
    #
    # # 0 is running...
    # # 1 is running...
    # # 2 is running...
    # # 主
    # # 1 is over...
    # # 3 is running...
    # # 0 is over...
    # # 4 is running...
    # # 4 is over...
    # # 3 is over...
    # # 2 is over...

    # for i in range(5):
    #     future = pool.submit(task, i)
    #     # print(future)  # <Future at 0x21a130dbb00 state=running>   <Future at 0x21a1321ec50 state=pending>
    #     # -------------------------------------------------
    #     # future = pool.submit(task, i)
    #     # future.result()       接收返回值并获取回调值
    #     # -------------------------------------------------
    #     print(future.result())
    # print("主")
    # # 0 is running...
    # # 0 is over...
    # # 0² = 0
    # # 1 is running...
    # # 1 is over...
    # # 1² = 1
    # # 2 is running...
    # # 2 is over...
    # # 2² = 4
    # # 3 is running...
    # # 3 is over...
    # # 3² = 9
    # # 4 is running...
    # # 4 is over...
    # # 4² = 16
    # # 主

    # future_list = []
    # for i in range(5):
    #     future = pool.submit(task, i)
    #     future_list.append(future)
    #
    # for future in future_list:
    #     print(f">>:{future.result()}")  # 依次等每个 future的结果，所以是绝对有序的
    # print("主")
    # # 0 is running...
    # # 1 is running...
    # # 2 is running...
    # # 0 is over...
    # # 3 is running...
    # # >>:0² = 0
    # # 1 is over...
    # # 4 is running...
    # # >>:1² = 1
    # # 4 is over...
    # # 2 is over...
    # # >>:2² = 4
    # # 3 is over...
    # # >>:3² = 9
    # # >>:4² = 16
    # # 主

    future_list = []
    for i in range(5):
        future = pool.submit(task, i)
        future_list.append(future)

    pool.shutdown()  # 关闭池子且等待池子中所有的任务运行完毕

    for future in future_list:
        print(f">>:{future.result()}")  # 依次等每个 future的结果，所以是绝对有序的
    print("主")
    # 0 is running...
    # 1 is running...
    # 2 is running...
    # 2 is over...
    # 3 is running...
    # 0 is over...
    # 4 is running...
    # 4 is over...
    # 1 is over...
    # 3 is over...
    # >>:0² = 0
    # >>:1² = 1
    # >>:2² = 4
    # >>:3² = 9
    # >>:4² = 16
    # 主

验证复用池子里的线程或进程

池子中创建的进程或线程创建一次就不会再创建了，至始至终用的都是最初的那几个，这样的话就可以节省反复开辟进程或线程的资源了不是动态创建动态销毁的（如果是好几百个，可想而知）

import random
import time
import os
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor
from threading import current_thread


def task(i):
    time.sleep(random.random())
    # print(f"{os.getpid()} {i} is over...")
    print(f"{os.getpid()} {current_thread().name} {i} is over...")
    return f"{i}² = {i * i}"


if __name__ == '__main__':  # 进程池的时候一定要放在这里面
    # pool = ProcessPoolExecutor(3)
    pool = ThreadPoolExecutor(3, 'MyThreading')

    future_list = []
    for i in range(5):
        future = pool.submit(task, i)
        future_list.append(future)

    pool.shutdown()  # 关闭池子且等待池子中所有的任务运行完毕

    for future in future_list:
        print(f">>:{future.result()}")  # 依次等每个 future的结果，所以是绝对有序的
    print("主")
# 11000 0 is over...  # 复用了进程号（即没有去开辟新的内存空间）
# 8024 2 is over...
# 10100 1 is over...
# 11000 3 is over...
# 8024 4 is over...
# >>:0² = 0
# >>:1² = 1
# >>:2² = 4
# >>:3² = 9
# >>:4² = 16
# 主


# 使用线程池的打印结果
# 13024 MyThreading_1 1 is over...  # 1.复用了线程
# 13024 MyThreading_1 3 is over...  # 2.复用了线程
# 13024 MyThreading_2 2 is over...
# 13024 MyThreading_0 0 is over...
# 13024 MyThreading_1 4 is over...
# >>:0² = 0
# >>:1² = 1
# >>:2² = 4
# >>:3² = 9
# >>:4² = 16
# 主

异步回调机制

这(.add_done_callback())其实是 .submit() 返回结果对象的方法

异步回调机制：当异步提交的任务有返回结果之后，会自动触发回调函数的执行

import random
import time
import os
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor
from threading import current_thread


def callback(future):
    print(f"我拿到了回调结果：{future.result()}")


def task(i):
    time.sleep(random.random())
    # print(f"{os.getpid()} {i} is over...")
    print(f"{os.getpid()} {current_thread().name} {i} is over...")
    return f"{i}² = {i * i}"


if __name__ == '__main__':  # 进程池的时候一定要放在这里面
    # pool = ProcessPoolExecutor(3)
    pool = ThreadPoolExecutor(3, 'MyThreading')

    future_list = []
    for i in range(5):
        # -----------------------------------------------------
        # .submit().add_done_callback() 自动调用回调函数
        #   会自动将 .submit()的返回结果作为参数传给.add_done_callback() 中传入的函数去调用执行
        #       .add_done_callback() 其实是 .submit()返回对象自身的方法
        # -----------------------------------------------------
        future = pool.submit(task, i).add_done_callback(callback)
        future_list.append(future)

    pool.shutdown()  # 关闭池子且等待池子中所有的任务运行完毕

    print("主")

# 11348 MyThreading_0 0 is over...
# 我拿到了回调结果：0² = 0
# 11348 MyThreading_2 2 is over...
# 我拿到了回调结果：2² = 4
# 11348 MyThreading_0 3 is over...
# 我拿到了回调结果：3² = 9
# 11348 MyThreading_1 1 is over...
# 我拿到了回调结果：1² = 1
# 11348 MyThreading_2 4 is over...
# 我拿到了回调结果：4² = 16
# 主

通过闭包给回调函数添加额外参数（扩展）

# 省略导模块等
# 线程池/进程池对象.submit() 会返回一个 future对象，该对象有.add_done_callback()方法（是一个对象绑定函数），参数是一个函数名（除了对象自身默认传入，无法为该函数传参）
# 这里利用闭包函数返回内部函数名的特点 直接调用这个闭包函数，达到传参的效果，可为回调函数添加更多的扩展性
def outter(*args, **kwargs):
    def callback(res):
        # 可以拿到 *args, **kwargs 参数做一些事情
        print(res.result())
    return callback


pool_list = []
for i in range(15):
    pool_list.append(pool.submit(task, i).add_done_callback(outter(1, 2, 3, a=1, c=3)))  # 朝线程池中提交任务(异步)

协程`***`

后期项目支持高并发可能才会用到

概念回顾(协程这里再理一下)

进程：资源单位（车间）

线程：操作系统的最小执行单位（流水线）

协程：单线程下实现并发的效果（完全是技术人员编造出来的名词）

并发：看起来像同时执行（多道技术核心：切换+保存状态）

协程：通过代码层面自己监测程序中的I/O行为，自己实现切换，让操作系统误认为这个线程没有I/O，从而保证程序在运行态和就绪态来回切换（不进入阻塞态），更大限度地利用CPU，最大程度上提高线程的执行效率

切换+保存状态就一定能够提升效率吗？ 切换+保存状态不一定能提升程序的效率

当任务是计算密集型，反而会降低效率
如果是IO密集型，会提升效率

如何实现协程

生成器的yield 可以实现保存状态(行不通)

但，效率更低了

# # 串行执行
# import time
#
#
# def func1():
#     for i in range(10000000):
#         i + 1
#
#
# def func2():
#     for i in range(10000000):
#         i + 1
#
#
# start = time.time()
# func1()
# func2()
# stop = time.time()
# print(stop - start)
# # 1.2481744289398193


# 基于yield并发执行
import time


def func1():
    while True:
        10000000 + 1
        yield


def func2():
    g = func1()
    for i in range(10000000):
        i + 1
        next(g)


start = time.time()
func2()
stop = time.time()
print(stop - start)
# 1.9084477424621582

gevent模块实现

模块安装下载

搜索并下载（这里是因为我配了两个镜像源，所以出来了两个选项，随便选一个）

gevent基本介绍

from gevent import spawn, monkey
monkey.patch_all()  # 一般这个要写在很前面(例如导socket模块之前)
# 两行亦可写成一行 from gevent import monkey;monkey.patch_all()

g1 = spawn(eat, 1, 2, 3, x=4, y=5)
# 创建一个协程对象g1，spawn括号内第一个参数是函数名，如eat，后面是该函数（eat）所需要的参数
g2 = spawn(func2)

g1.join()  # 等待协程g1结束
g2.join()  # 等待协程g2结束
# 上述两步亦可合作一步：joinall([g1,g2])

g1.value  # 拿到eat函数执行的返回值

通过gevent实现遇到 IO自动切换状态（单线程下并发）

import time

from gevent import spawn
# gevent 本身识别不了time.sleep() 等不属于该模块内的I/O操作
# 使用下面的操作来支持
from gevent import monkey
monkey.patch_all()  # 监测代码中所有 I/O 行为


def heng(name):
    print(f"{name} 哼")
    time.sleep(2)
    print(f"{name} 哼 ...")


def ha(name):
    print(f"{name} 哈")
    time.sleep(3)
    print(f"{name} 哈 ...")


# start_time = time.time()
# heng('egon')
# ha('jason')
# print(f"主 {time.time() - start_time}")
# # 主 5.005069732666016


start_time = time.time()
s1 = spawn(heng, 'egon')
s2 = spawn(ha, 'jason')
s1.join()
s2.join()

print(f"主 {time.time() - start_time}")
# 主 3.0046989917755127

在计算密集型任务中使用

from gevent import spawn, monkey

monkey.patch_all()

import time


def func1():
    for i in range(10000000):
        i + 1


def func2():
    for i in range(10000000):
        i + 1


start = time.time()
g = spawn(func1)
g2 = spawn(func2)
g.join()
g2.join()
stop = time.time()
print(stop - start)
# 1.1324069499969482

# 与前面普通的串行执行时间 1.2481744289398193 相近

利用gevent在单线程下实现并发(协程)

服务端

import socket
from gevent import spawn
from gevent import monkey  # 让 gevent 能够识别python的 IO
monkey.patch_all()

server = socket.socket()
server.bind(('127.0.0.1', 8080))
server.listen(5)


def talk(conn):
    while True:
        try:
            data = conn.recv(1024)
            if len(data) == 0: break
            print(data.decode('utf-8'))
            conn.send(data.upper())
        except ConnectionResetError as e:
            print(e)
            break
    conn.close()


def wait_client_connect():
    while True:
        conn, addr = server.accept()
        spawn(talk, conn)


if __name__ == '__main__':
    g1 = spawn(wait_client_connect)
    g1.join()  # 别忘了加上

客户端

import socket
from threading import Thread, current_thread


def create_client():
    client = socket.socket()
    client.connect(('127.0.0.1', 8080))
    n = 0
    while True:
        data = '%s %s' % (current_thread().name, n)
        client.send(data.encode('utf-8'))
        res = client.recv(1024)
        print(res.decode('utf-8'))
        n += 1


for i in range(400):  # 手动开400个线程连接客户端（测试的是服务端单线程实现并发）
    t = Thread(target=create_client)
    t.start()

最大程度下提高代码的执行效率（实现高并发）

多进程下使用多线程
多线程下使用多协程

大前提 IO密集型任务

I/O 模型（只放了几张图）

此部分内容摘抄自博客： Python从入门到精通之IO模型

程序间数据交互，本质上数据都是从内存中取的(包括socket的recv等)

阻塞I/O模型

当用户进程调用了recvfrom这个系统调用，kernel就开始了IO的第一个阶段：准备数据。对于network io来说，很多时候数据在一开始还没有到达（比如，还没有收到一个完整的UDP包），这个时候kernel就要等待足够的数据到来。而在用户进程这边，整个进程会被阻塞。当kernel一直等到数据准备好了，它就会将数据从kernel中拷贝到用户内存，然后kernel返回结果，用户进程才解除block的状态，重新运行起来。

非阻塞I/O模型

从图中可以看出，当用户进程发出read操作时，如果kernel中的数据还没有准备好，那么它并不会block用户进程，而是立刻返回一个error。从用户进程角度讲，它发起一个read操作后，并不需要等待，而是马上就得到了一个结果。用户进程判断结果是一个error时，它就知道数据还没有准备好，于是用户就可以在本次到下次再发起read询问的时间间隔内做其他事情，或者直接再次发送read操作。一旦kernel中的数据准备好了，并且又再次收到了用户进程的system call，那么它马上就将数据拷贝到了用户内存（这一阶段仍然是阻塞的），然后返回。

也就是说非阻塞的recvform系统调用调用之后，进程并没有被阻塞，内核马上返回给进程，如果数据还没准备好，此时会返回一个error。进程在返回之后，可以干点别的事情，然后再发起recvform系统调用。重复上面的过程，循环往复的进行recvform系统调用。这个过程通常被称之为轮询。轮询检查内核数据，直到数据准备好，再拷贝数据到进程，进行数据处理。需要注意，拷贝数据整个过程，进程仍然是属于阻塞的状态。

多路复用I/O模型

当用户进程调用了select，那么整个进程会被block，而同时，kernel会“监视”所有select负责的socket，当任何一个socket中的数据准备好了，select就会返回。这个时候用户进程再调用read操作，将数据从kernel拷贝到用户进程。这个图和blocking IO的图其实并没有太大的不同，事实上还更差一些。因为这里需要使用两个系统调用(select和recvfrom)，而blocking IO只调用了一个系统调用(recvfrom)。但是，用select的优势在于它可以同时处理多个connection。

信号驱动I/O模型

涉及太少，暂不做了解

异步I/O模型

用户进程发起read操作之后，立刻就可以开始去做其它的事。而另一方面，从kernel的角度，当它受到一个asynchronous read之后，首先它会立刻返回，所以不会对用户进程产生任何block。然后，kernel会等待数据准备完成，然后将数据拷贝到用户内存，当这一切都完成之后，kernel会给用户进程发送一个signal，告诉它read操作完成了。

本文参与腾讯云自媒体分享计划，分享自作者个人站点/博客。

原始发表：2019-08-15 ，如有侵权请联系 cloudcommunity@tencent.com 删除

kernel

编程算法

压力测试

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！

kernel

编程算法

压力测试

登录后参与评论

0 条评论

热度