标签：左右 nbsp set 生成 运行 测试 tornado imp 资源问题
在高并发的场景下，python提供了一个多线程的模块threading，但似乎这个模块并不近人如意，原因在于cpython本身的全局解析锁（GIL）问题，在一段时间片内实际上的执行是单线程的。同时还存在着资源争夺的问题。python3.4之后引入了基于生成器对象的协程概念。也就是asyncio模块。除了asyncio模块，python在高并发这一问题还提出了另外一些解决方案，例如tornado和gevent都实现了类似的功能。由此，在方案选择上提供了更多的可能性。以下是threading模块和asyncio模块对比测试实验。asyncio模块的具体使用，我希望自己在另一篇文章再写。
一、threading模块
threading模块中的thread线程 密集 运算争夺变量测试
代码：
#多线程共有数据的争夺检测 from threading import Thread,currentThread import time def do_something(x): global a time.sleep(x) for b in range(1,51): #计算从1+...+50 a+=b print(currentThread(),":",a) a = 0 threads = [] for i in range(1,20000): #为了突出效果，线程量开到接近20000 thread = Thread(target=do_something,args=(1,)) threads.append(thread) for thread in threads: thread.start()
截取部分结果： <Thread(Thread-19972, started 34476)> : 25408200 <Thread(Thread-19971, started 34548)> : 25409475 <Thread(Thread-19991, started 12644)> : 25410750 <Thread(Thread-19990, started 34580)> : 25412025 <Thread(Thread-19989, started 34404)> : 25413300 <Thread(Thread-19986, started 34044)> : 25414575 <Thread(Thread-19983, started 34648)> : 25415850 <Thread(Thread-19982, started 34128)> : 25417125
运行时间： 6.9629926681518555 6.8796374797821045 7.3379065990448 平均运行时间：7.0秒
由结果可以看出，多线程在密集型运算的（占用大量CPU运算单元）情况下，会出现前后同一变量的数据不一致的情况。也就是所谓的“竞态问题”。
二、asyncio模块
asyncio模块 密集运算测试（线程安全！不存在争夺资源问题），所以协程在密集运算和IO并发上都有很强的支持。
代码：
#密集运算测试 import asyncio a = 0 tasks = [] num = 0 async def do_something(x): global a global num #num += 1 # 思路3：num自增的位置（在阻塞前/后）不同会产生不同的结果 await asyncio.sleep(x) for b in range(1,51): #计算从1+...+50 a+=b num += 1 #思路1 print("this is coroutetime",":",num,a) #思路1，思路3 print("this is coroutetime",":",x,a) #思路2 for i in range(1,20000): #即使睡眠的时间很短，运算量大都不会产生资源争夺 coroutine = do_something(1) #思路1 # coroutine = do_something(i*0.01) #思路2 # coroutine = do_something(3//i) #思路3 tasks.append(asyncio.ensure_future(coroutine)) loop = asyncio.get_event_loop() #创建事件循环 loop.run_until_complete(asyncio.wait(tasks)) #将协程塞进事件循环中
代码实现思路：
（1）思路1：每一个协程的睡眠时间相同，也就是说几乎是同时在运行密集型计算，并用num自增计算作为协程的代号。
（2）思路2：为了区别开不同协程的占据CPU的运行时间片，我对睡眠时间进行了一个乘法运算，协程代号越大的协程睡眠时间越长，并用时间作为协程代号的记录。
（3）思路3：这次我将睡眠时间作一个调整，用除法运算，也就是说，协程代号越大的，睡眠时间越短，不过这次协程代号用num来记录，并且放在了睡眠（阻塞）之前。
摘取前几个数据
思路1：当设定的睡眠时间（阻塞时间）相同时，结果的打印几乎是同时出现 this is coroutetime : 1 1275 this is coroutetime : 2 2550 this is coroutetime : 3 3825 this is coroutetime : 4 5100 this is coroutetime : 5 6375 this is coroutetime : 6 7650 this is coroutetime : 7 8925 this is coroutetime : 8 10200
思路1运行时间： 3.0337979793548584 3.159485340118408 3.095968008041382 平均运行时间3.08秒
思路2：当设定的睡眠时间（阻塞时间）不同，协程代号就是睡眠的时间 this is coroutetime : 0.01 1275 this is coroutetime : 0.02 2550 this is coroutetime : 0.03 3825 this is coroutetime : 0.04 5100 this is coroutetime : 0.05 6375 this is coroutetime : 0.06 7650 this is coroutetime : 0.07 8925 this is coroutetime : 0.08 10200
由上面两组数据可以看出，无论协程是同时进行还是分时间段进行，都是严格按照顺序来执行的。思路2的结果很符合我们的认知常识，那么思路1的结果是怎么得来的呢？原因在于，多并发（此处的密集型运算用于模拟一系列的并发内部操作）情况下，阻塞的协程会暂时被搁置，切换到另外的协程。可以将协程的运行理解为一个队列，当大量协程来临的时候，无法一次性执行，于是放进一个类似队列的容器（WeakSet），并且不断检测这个队列中哪一个协程是处于非阻塞状态的，去调用这个协程的资源并运行。队列中的每一个元素间是互不干扰的。于是，就出现了以上的结果----有序的协程运行。
思路3：再看下面一组数据 this is coroutetime : 1999 1275 this is coroutetime : 1999 2550 this is coroutetime : 1999 3825 this is coroutetime : 1999 5100 this is coroutetime : 1999 6375 this is coroutetime : 1999 7650 this is coroutetime : 1999 8925 this is coroutetime : 1999 10200
为什么所有的协程号都一样
因为最大协程号，睡眠时间最短，所以它先执行输出，而协程号是累加的，所以后面执行的线程都会以最大的协程号作为标记。由此进一步看出
三、性能对比
完成时间对比：
threading：平均运行时间：7.0秒
anyncio：平均运行时间3.08秒
由上面的多线程模块threading和协程模块asyncio的对比可以看出，ansyncio的完成时间是threading的一半左右。由此，asyncio在高并发的情况下具有比较大的优势，并且在资源的保护上也做得比threading要好。
标签：左右 nbsp set 生成 运行 测试 tornado imp 资源问题
原文地址：https://www.cnblogs.com/thomson-fred/p/10142226.html
