【python】-- 协程介绍及基本示例、协程遇到IO操作自动切换、协程(gevent)并发爬网页
协程介绍及基本示例
协程,又称微线程,纤程。英文名Coroutine。一句话说明什么是协程: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。
协程的好处:
- 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。
1、yield实现协程
import time def consumer(name): print("--->starting eating baozi...") while True: new_baozi = yield # yield设置生成器 print("[{0}] is eating baozi {1}".format(name, new_baozi)) def producer(): r = con.__next__() # 调用生成器 r = con2.__next__() n = 0 while n < 5: n += 1 con.send(n) # 唤醒生成器,并且向生成器传值 con2.send(n) time.sleep(1) print("\033[32m[producer]\033[0m is making baozi {0}".format(n)) if __name__ == '__main__': con = consumer("c1") # 创建一个生成器c1 con2 = consumer("c2") # 创建一个生产器C2 p = producer()
1、send有两个作用?
①唤醒生产器 ②给yield传一个值,就是yield接收到的这个值。这个说明yield在被唤醒的时候可以接收数据。
2、怎么实现我们的单线程实现并发的效果呢?
遇到IO操作就切换,IO比较耗时,协程之所以能处理大并发,就是IO操作会挤掉大量的时间。没有IO操作的话,整个程序只有cpu在运算了,因为cpu很快,所以你感觉是在并发执行的。
3、IO操作完成了,程序什么时候切回去?
IO操作一旦完成,我们就自动切回去。
4、IO是什么?
Python中的io模块是用来处理各种类型的I/O操作流。主要有三种类型的I/O类型:文本I/O(Text I/O),二进制I/O(Binary I/O)和原始I/O(Raw I/O)。它们都是通用类别,每一种都有不同的后备存储。属于这些类别中的任何一个的具体对象称为文件对象,其他常用的术语为流或者类文件对象。
除了它的类别,每一种具体的流对象也具有各种功能:它仅仅允许读,或者仅仅允许写,或者既能读又能写。它也允许任意随机访问(向前或者向后寻找任何位置),或者仅仅顺序访问(例如在套接字或管道中)。
所有的流对于提供给它们的数据的数据类型都很严格。例如,如果用一个二进制流的write()方法写一个字符类型的数据,那么将会触发一个TypeError错误。用文本流的write()方法来写字节对象数据也是一样的,会触发该错误。
二、手动实现切换IO
Greenlet是python的一个C扩展,来源于Stackless python,旨在提供可自行调度的‘微线程’, 即协程。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
from greenlet import greenlet def test1(): print(12) gr2.switch() # 切换到test2 print(34) gr2.switch() # 切换到test2 def test2(): print(56) gr1.switch() # 切换到test1 print(78) gr1 = greenlet(test1) # 启动一个协程 gr2 = greenlet(test2) gr1.switch() # 切换到test1,这个switch不写的话,会无法输出打印 #执行结果 12 56 34 78
小结:
- cpu值认识线程,而不认识协程,协程是用户自己控制的,cpu根本都不知道它们的存在。
- 线程的上下文切换保存在cpu的寄存器中,但是协程拥有自己的寄存上下文和栈。
- 协程是串行的,无需锁。
虽然greenlet确实用着比generator(生成器)还简单了,但好像还没有解决一个问题,就是遇到IO操作,自动切换,对不对?
三、协程遇IO操作自动切换
下来就说说如何遇到IO就自动切换切换,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。
import gevent def foo(): print("Running in foo") gevent.sleep(3) # 模仿io操作,一遇到io操作就切换 print("Explicit context switch to foo again") def bar(): print("Explicit context to bar") gevent.sleep(1) print("Implicit context switch back to bar") def fun3(): print("running fun3") gevent.sleep(0) # 虽然是0秒,但是会触发一次切换 print("running fun3 again") gevent.joinall([ gevent.spawn(foo), # 生成协程 gevent.spawn(bar), gevent.spawn(fun3) ]) #执行结果 Running in foo Explicit context to bar running fun3 running fun3 again Implicit context switch back to bar Explicit context switch to foo again
当foo遇到sleep(2)的时候,切自动切换到bar函数,执行遇到sleep(1)的时候自动切换到fun3函数,遇到sleep(0)又自动切换到foo。这个时候sleep(2)还没有执行完毕,又切换到bar的sleep(1)这边,发现又没有执行完毕,就有执行fun3这边,发现sleep(0)执行完毕,则继续执行,然后又切换到foo,发现sleep(2)又没有执行完毕,就切换到bar的sleep(1)这边,发现执行完了,有切回到foo这边,执行完毕。
主要作用:比如说你现在又50处IO,然后总共加起来串行的的话,要花100秒,但是50处IO最长的那个IO只花了5秒钟,那代表中你的这个程序就是协程最多5秒就执行完毕了。
符合下面四个条件才能称之为协程:
- 必须在只有一个单线程里实现并发
- 修改共享数据不需加锁
- 用户程序里自己保存多个控制流的上下文栈
- 一个协程遇到IO操作自动切换到其它协程
协程(gevent)并发爬网页
上面例子gevent遇到io自动切换,现在就来实际演示协程爬虫的例子
1、正常(串行)爬网页
串行效果的爬网页的代码,看看消耗多长时间
from urllib import request import time def run(url): print("GET:{0}".format(url)) resp = request.urlopen(url) # request.urlopen()函数 用来打开网页 data = resp.read() # 读取爬到的数据 with open("url.html", "wb") as f: f.write(data) print('{0} bytes received from {1}'.format(len(data), url)) urls = [ 'http://www.163.com/', 'https://www.yahoo.com/', 'https://github.com/' ] time_start = time.time() # 开始时间 for url in urls: run(url) print("同步cost", time.time() - time_start) # 程序执行消耗的时间 #执行结果 GET:http://www.163.com/ 659094 bytes received from http://www.163.com/ GET:https://www.yahoo.com/ 505819 bytes received from https://www.yahoo.com/ GET:https://github.com/ 56006 bytes received from https://github.com/ 同步cost 4.978517532348633
2、协程(gevent)爬虫
用gevent并发执行一下,看看效果。
from urllib import request
import gevent,time
def run(url): print("GET:{0}".format(url)) resp = request.urlopen(url) # request.urlopen()函数 用来打开网页 data = resp.read() # 读取爬到的数据 with open("url.html", "wb") as f: f.write(data) print('{0} bytes received from {1}'.format(len(data), url)) urls = [ 'http://www.163.com/', 'https://www.yahoo.com/', 'https://github.com/' ] time_start = time.time() # 开始时间 gevent.joinall([ # 用gevent启动协程 gevent.spawn(run, 'http://www.163.com/'), # 第二个值是传入参数,之前我们没有讲,因为前面没有传参 gevent.spawn(run, 'https://www.yahoo.com/'), gevent.spawn(run, 'https://github.com/'), ]) print("同步cost", time.time() - time_start) # 程序执行消耗的时间 #执行结果 GET:http://www.163.com/ 659097 bytes received from http://www.163.com/ GET:https://www.yahoo.com/ 503844 bytes received from https://www.yahoo.com/ GET:https://github.com/ 55998 bytes received from https://github.com/ 同步cost 4.433035850524902
对比1、2爬网页的例子,发现执行耗费时间上并没有得到明显提升,并没有并发爬网页的神奇快感,其实主要是因为gevent现在检测不到urllib的IO操作。它都不知道urllib进行了IO操作,感受不到阻塞,它都不会进行切换,所以它就串行了。
3、打个补丁,告诉gevent,urllib正在进行IO操作
通过导入monkey模块,来打这个补丁,原代码不变,就添加一行monkey.patch_all()即可。
from urllib import request import gevent,time from gevent import monkey # 导入monkey模块 monkey.patch_all() # 把当前程序的所有的IO操作给作上标记 def run(url): print("GET:{0}".format(url)) resp = request.urlopen(url) # request.urlopen()函数 用来打开网页 data = resp.read() # 读取爬到的数据 with open("url.html", "wb") as f: f.write(data) print('{0} bytes received from {1}'.format(len(data), url)) urls = [ 'http://www.163.com/', 'https://www.yahoo.com/', 'https://github.com/' ] time_start = time.time() # 开始时间 gevent.joinall([ # 用gevent启动协程 gevent.spawn(run, 'http://www.163.com/'), # 第二个值是传入参数,之前我们没有讲,因为前面没有传参 gevent.spawn(run, 'https://www.yahoo.com/'), gevent.spawn(run, 'https://github.com/'), ]) print("同步cost", time.time() - time_start) # 程序执行消耗的时间 #执行结果 GET:http://www.163.com/ GET:https://www.yahoo.com/ GET:https://github.com/ 659097 bytes received from http://www.163.com/ 503846 bytes received from https://www.yahoo.com/ 55998 bytes received from https://github.com/ 同步cost 1.8789663314819336
原本将近5秒的耗时现在只用了不到2秒就完成,这就是协程的魅力,通过打补丁来检测urllib,它就把urllib里面所有涉及到的有可能进行IO操作的地方直接花在前面加一个标记,这个标记就相当于gevent.sleep(),所以把urllib变成一个一有阻塞,它就切换了
4、gevent实现单线程下的多socket并发
4.1、server端
import sys,gevent,socket,time from gevent import socket,monkey monkey.patch_all() def server(port): s = socket.socket() s.bind(('0.0.0.0', port)) s.listen(500) while True: cli, addr = s.accept() gevent.spawn(handle_request, cli) #协程 def handle_request(conn): try: while True: data = conn.recv(1024) print("recv:", data) conn.send(data) if not data: conn.shutdown(socket.SHUT_WR) except Exception as ex: print(ex) finally: conn.close() if __name__ == '__main__': server(8888)
4.2、client端
import socket HOST = 'localhost' # The remote host PORT = 8888 # The same port as used by the server s = socket.socket(socket.AF_INET, socket.SOCK_STREAM) s.connect((HOST, PORT)) while True: msg = bytes(input(">>:"),encoding="utf8") s.sendall(msg) data = s.recv(1024) print('Received', repr(data)) s.close()