码迷,mamicode.com
首页 > 编程语言 > 详细

Python Day10

时间:2017-06-10 20:24:57      阅读:263      评论:0      收藏:0      [点我收藏+]

标签:同步机制   class   rmi   ui编程   标记   .so   运行   扩展模块   操作   

一、协程  

1.协程介绍
协程,又称微线程,纤程。英文名Coroutine。一句话说明什么是线程:协程是一种用户态的轻量级线程。
协程拥有自己的寄存器上下文和栈。协程调度切换时,将寄存器上下文和栈保存到其他地方,在切回来的时候,恢复先前保存的寄存器上下文和栈。因此:
协程能保留上一次调用时的状态(即所有局部状态的一个特定组合),每次过程重入时,就相当于进入上一次调用的状态,换种说法:进入上一次离开时所处逻辑流的位置。线程和进程的操作是由程序触发系统接口,最后的执行者是系统;协程的操作执行者则是用户自身程序。
 
简单定义:
 
  1. 寄存在线程中,单线程下可以实现多并发效果
  2. 修改共享数据不需加锁
  3. 用户程序里自己保存多个控制流的上下文栈
  4. 一个协程遇到IO操作自动切换到其它协程
 
协程的优点:
 
  • 无需线程上下文切换的开销
  • 无需原子操作锁定及同步的开销:"原子操作(atomic operation)是不需要synchronized",所谓原子操作是指不会被线程调度机制打断的操作;这种操作一旦开始,就一直运行到结束,中间不会有任何 context switch (切换到另一个线程)。原子操作可以是一个步骤,也可以是多个操作步骤,但是其顺序是不可以被打乱,或者切割掉只执行部分。视作整体是原子性的核心。
  • 方便切换控制流,简化编程模型
  • 高并发+高扩展性+低成本:一个CPU支持上万的协程都不是问题。所以很适合用于高并发处理。
 
缺点:
 
  • 无法利用多核资源:协程的本质是个单线程,它不能同时将 单个CPU 的多个核用上,协程需要和进程配合才能运行在多CPU上.当然我们日常所编写的绝大部分应用都没有这个必要,除非是cpu密集型应用。
  • 进行阻塞(Blocking)操作(如IO时)会阻塞掉整个程序
 
协程的适用场景:当程序中存在大量不需要CPU的操作时(也就是平时所说的IO密集型程序),适用于协程。
 
yield实现的简单协程:
 1 import time
 2 
 3 def consumer(name):
 4     print("--->starting eating baozi...")
 5     while True:
 6         new_baozi = yield
 7         print("[%s] is eating baozi %s" % (name, new_baozi))
 8         time.sleep(1)
 9 
10 def producer():
11     r = con.__next__()
12     r = con2.__next__()
13     n = 0
14     while n < 5:
15         n += 1
16         con.send(n)
17         con2.send(n)
18         print("\033[32;1m[producer]\033[0m is making baozi %s" % n)
19 
20 if __name__ == __main__:
21     con = consumer("c1")
22     con2 = consumer("c2")
23     producer()
 

 
2.Greenlet
greenlet是一个用C实现的协程模块,相比与python自带的yield,它可以使你在任意函数之间随意切换,而不需把这个函数先声明为generator
 1 from greenlet import greenlet
 2 
 3 def test1():
 4     print(12)
 5     gr2.switch()
 6     print(34)
 7     gr2.switch()
 8 
 9 def test2():
10     print(56)
11     gr1.switch()
12     print(78)
13 
14 gr1 = greenlet(test1)
15 gr2 = greenlet(test2)
16 gr1.switch()
 

 
3.Gevent
Gevent 是一个第三方库,可以轻松通过gevent实现并发同步或异步编程,在gevent中用到的主要模式是Greenlet, 它是以C扩展模块形式接入Python的轻量级协程。 Greenlet全部运行在主程序操作系统进程的内部,但它们被协作式地调度。
 1 import gevent
 2 
 3 def func1():
 4     print(\033[31;1ma在跟b搞...\033[0m)
 5     gevent.sleep(2)
 6     print(\033[31;1ma又回去跟继续跟b搞...\033[0m)
 7 
 8 def func2():
 9     print(\033[32;1ma切换到了跟c搞...\033[0m)
10     gevent.sleep(1)
11     print(\033[32;1ma搞完了d两次,回来继续跟c搞...\033[0m)
12 
13 def func3():
14     print(\033[32;1ma切换到了跟d搞...\033[0m)
15     gevent.sleep(0)
16     print(\033[32;1ma搞完了d,觉得不爽,又搞了d一次...\033[0m)
17 
18 gevent.joinall([
19     gevent.spawn(func1),
20     gevent.spawn(func2),
21     gevent.spawn(func3),
22 ])

输出结果:

技术分享

同步与异步的性能区别

 1 import gevent
 2 
 3 def task(pid):
 4     """
 5     Some non-deterministic task
 6     """
 7     gevent.sleep(0.5)
 8     print(Task %s done % pid)
 9 
10 def synchronous():
11     for i in range(1, 10):
12         task(i)
13 
14 def asynchronous():
15     threads = [gevent.spawn(task, i) for i in range(10)]
16     gevent.joinall(threads)
17 
18 print(Synchronous:)
19 synchronous()
20 
21 print(Asynchronous:)
22 asynchronous()

上面程序的重要部分是将task函数封装到Greenlet内部线程的gevent.spawn。 初始化的greenlet列表存放在数组threads中,此数组被传给gevent.joinall 函数,后者阻塞当前流程,并执行所有给定的greenlet。执行流程只会在 所有greenlet执行完后才会继续向下走。

 

遇到IO阻塞时会自动切换任务

 1 from urllib import request
 2 import gevent
 3 import time
 4 from gevent import monkey
 5 monkey.patch_all()  # 把当前程序的所有的io操作给我单独的做上标记
 6 
 7 def f(url):
 8     print(GET: %s % url)
 9     resp = request.urlopen(url)
10     data = resp.read()
11     print(%d bytes received from %s. % (len(data), url))
12 
13 urls = [https://www.python.org/,
14         https://www.yahoo.com/,
15         https://github.com/]
16 
17 time_start = time.time()
18 for url in urls:
19     f(url)
20 print("同步cost", time.time() - time_start)
21 
22 async_time_start = time.time()
23 gevent.joinall([
24     gevent.spawn(f, https://www.python.org/),
25     gevent.spawn(f, https://www.yahoo.com/),
26     gevent.spawn(f, https://github.com/),
27 ])
28 print("异步cost", time.time() - async_time_start)

输出结果:

技术分享

通过gevent实现单线程下的多socket并发

 1 import sys
 2 import socket
 3 import time
 4 import gevent
 5 
 6 from gevent import socket,monkey
 7 monkey.patch_all()
 8 
 9 
10 def server(port):
11     s = socket.socket()
12     s.bind((0.0.0.0, port))
13     s.listen(500)
14     while True:
15         cli, addr = s.accept()
16         gevent.spawn(handle_request, cli)
17 
18 
19 
20 def handle_request(conn):
21     try:
22         while True:
23             data = conn.recv(1024)
24             print("recv:", data)
25             conn.send(data)
26             if not data:
27                 conn.shutdown(socket.SHUT_WR)
28 
29     except Exception as  ex:
30         print(ex)
31     finally:
32         conn.close()
33 if __name__ == __main__:
34     server(8001)
 

 

 二、事件驱动   

通常,我们写服务器处理模型的程序时,有以下几种模型:
(1)每收到一个请求,创建一个新的进程,来处理该请求;
(2)每收到一个请求,创建一个新的线程,来处理该请求;
(3)每收到一个请求,放入一个事件列表,让主进程通过非阻塞I/O方式来处理请求
上面的几种方式,各有千秋,
第(1)中方法,由于创建新的进程的开销比较大,所以,会导致服务器性能比较差,但实现比较简单。
第(2)种方式,由于要涉及到线程的同步,有可能会面临死锁等问题。
第(3)种方式,在写应用程序代码时,逻辑比前面两种都复杂。
综合考虑各方面因素,一般普遍认为第(3)种方式是大多数网络服务器采用的方式
 
看图说话讲事件驱动模型
在UI编程中,常常要对鼠标点击进行相应,首先如何获得鼠标点击呢?
方式一:创建一个线程,该线程一直循环检测是否有鼠标点击,那么这个方式有以下几个缺点:
1. CPU资源浪费,可能鼠标点击的频率非常小,但是扫描线程还是会一直循环检测,这会造成很多的CPU资源浪费;如果扫描鼠标点击的接口是阻塞的呢?
2. 如果是堵塞的,又会出现下面这样的问题,如果我们不但要扫描鼠标点击,还要扫描键盘是否按下,由于扫描鼠标时被堵塞了,那么可能永远不会去扫描键盘;
3. 如果一个循环需要扫描的设备非常多,这又会引来响应时间的问题;
所以,该方式是非常不好的。
 
方式二:就是事件驱动模型
目前大部分的UI编程都是事件驱动模型,如很多UI平台都会提供onClick()事件,这个事件就代表鼠标按下事件。事件驱动模型大体思路如下:
1. 有一个事件(消息)队列;
2. 鼠标按下时,往这个队列中增加一个点击事件(消息);
3. 有个循环,不断从队列取出事件,根据不同的事件,调用不同的函数,如onClick()、onKeyDown()等;
4. 事件(消息)一般都各自保存各自的处理函数指针,这样,每个消息都有独立的处理函数;
技术分享

 

 

事件驱动编程是一种编程范式,这里程序的执行流由外部事件来决定。它的特点是包含一个事件循环,当外部事件发生时使用回调机制来触发相应的处理。另外两种常见的编程范式是(单线程)同步以及多线程编程。
让我们用例子来比较和对比一下单线程、多线程以及事件驱动编程模型。下图展示了随着时间的推移,这三种模式下程序所做的工作。这个程序有3个任务需要完成,每个任务都在等待I/O操作时阻塞自身。阻塞在I/O操作上所花费的时间已经用灰色框标示出来了。
技术分享
在单线程同步模型中,任务按照顺序执行。如果某个任务因为I/O而阻塞,其他所有的任务都必须等待,直到它完成之后它们才能依次执行。这种明确的执行顺序和串行化处理的行为是很容易推断得出的。如果任务之间并没有互相依赖的关系,但仍然需要互相等待的话这就使得程序不必要的降低了运行速度。
在多线程版本中,这3个任务分别在独立的线程中执行。这些线程由操作系统来管理,在多处理器系统上可以并行处理,或者在单处理器系统上交错执行。这使得当某个线程阻塞在某个资源的同时其他线程得以继续执行。与完成类似功能的同步程序相比,这种方式更有效率,但程序员必须写代码来保护共享资源,防止其被多个线程同时访问。多线程程序更加难以推断,因为这类程序不得不通过线程同步机制如锁、可重入函数、线程局部存储或者其他机制来处理线程安全问题,如果实现不当就会导致出现微妙且令人痛不欲生的bug。
在事件驱动版本的程序中,3个任务交错执行,但仍然在一个单独的线程控制中。当处理I/O或者其他昂贵的操作时,注册一个回调到事件循环中,然后当I/O操作完成时继续执行。回调描述了该如何处理某个事件。事件循环轮询所有的事件,当事件到来时将它们分配给等待处理事件的回调函数。这种方式让程序尽可能的得以执行而不需要用到额外的线程。事件驱动型程序比多线程程序更容易推断出行为,因为程序员不需要关心线程安全问题。
当我们面对如下的环境时,事件驱动模型通常是一个好的选择:
 
  • 程序中有许多任务,而且…
  • 任务之间高度独立(因此它们不需要互相通信,或者等待彼此)而且…
  • 在等待事件到来时,某些任务会阻塞。
 
当应用程序需要在任务间共享可变的数据时,这也是一个不错的选择,因为这里不需要采用同步处理。
网络应用程序通常都有上述这些特点,这使得它们能够很好的契合事件驱动编程模型。
此处要提出一个问题,就是,上面的事件驱动模型中,只要一遇到IO就注册一个事件,然后主程序就可以继续干其它的事情了,只到io处理完毕后,继续恢复之前中断的任务,这本质上是怎么实现的呢?稍后揭晓。

Python Day10

标签:同步机制   class   rmi   ui编程   标记   .so   运行   扩展模块   操作   

原文地址:http://www.cnblogs.com/breakering/p/6979559.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!