Python异步编程原理篇之协程的IO

协程的IO

asyncio 作为实现异步编程的库，任务执行中遇到系统IO的时能够自动切换到其他任务。协程使用的IO模型是IO多路复用。在 asyncio 低阶API 一篇中提到过 “以Linux系统为例，IO模型有阻塞，非阻塞，IO多路复用等。asyncio 常用的是IO多路复用模型的epool和 kqueue”。本篇就介绍一下IO多路复用技术以及操作系统的IO，为后续内容做一个铺垫。

什么是IO

根据冯.诺依曼结构，它将计算机分成分为5个部分：运算器、控制器、存储器、输入设备、输出设备。
涉及计算机核心与其他设备间数据迁移的过程就是IO

常见的IO包括：文件的读写、网络请求。
以文件读写为例，一个应用程序读一个文件。一个应用程序就是一个进程，操作系统为每一个进程分配的内存分为两个部分，分别是用户空间和内核空间。以32位系统为例，用户空间分配3GB，内核空间分为1GB。IO操作因为都是和硬件设备交互，所以不能让用户进程直接操作，而是需要进程调用操作提供提供的API来完成。

应用程序读一个文件的流程是：

应用程序调用系统提供读文件的命令
系统将磁盘中文件内容读取到内核空间
系统将文件内容从内核空间拷贝的用户空间
应用程序读取用户空间中的文件内容

从文件IO总结IO的基本流程为：

总结来看，IO操作的基本流程是：

应用程序发起IO调用
操作系统完成IO操作

阻塞IO模型

阻塞IO模型就是应用程序发起IO调用之后一直阻塞等待，一直等到数据从内核空间拷贝用户空间，此次调用才算完成。
流程图如下：

存在问题：
如果内核数据一直没准备好，那用户进程将一直阻塞，CPU空转而浪费时间。并发大的情况下将导致进程数量变大，限制并发数量。

非阻塞IO模型

应用程序发起IO调用，如果内核空间数据还没读取完成，可以先返回错误信息给用户进程，让它不需要等待，而是通过轮询的方式再来请求。这就是非阻塞IO，流程图如下：

非阻塞IO的流程如下：

应用进程向操作系统内核，发起读取数据。
操作系统内核数据没有准备好，立即返回错误码。
应用程序轮询调用，继续向操作系统内核发起读取数据。
操作系统内核空间读取数据完成，从内核缓冲区拷贝到用户空间。
完成调用，返回成功提示。

存在问题：
它相对于阻塞IO，虽然大幅提升了性能，但是它依然存在性能问题，即频繁的轮询，导致频繁的系统调用，同样会消耗大量的CPU资源。

IO多路复用模型

非阻塞IO的问题

非阻塞IO模型下并发情况下应用程序可能会发送上千次请求，如果每一次请求的IO都需要轮询获取结果，那么应用就需要创建上千个线程去轮询监听数据是否拷贝完成。

这么多的线程不断调用系统函数 recvfrom 请求数据，首先服务器不能支持这么多请求，其次这种方式太浪费资源了，线程是我们操作系统的宝贵资源，大量的线程用来去读取数据了，那么就意味着能做其它事情的线程就会少。如何解决这个问题呢？使用IO多路复用可以将轮询监听的线程降低到1个。

IO多路复用介绍

IO多路复用的原理：
可以由一个线程监控多个网络请求，当有数据准备好之后再通知对应的线程去读取数据。这样就可以只需要一个线程完成数据是否就绪状态的查询。通过复用一个轮询的线程节省出大量的线程资源出来，这个就是IO复用模型的思路。

IO多路复用的流程：

应用程序调用IO请求返回一个文件描述符
IO多路复用的函数（select、poll、epoll）同时监控多个文件描述符
当某一个文件描述符的状态变成就绪时，IO多路复用函数通知对应应用程序
应用程序读取文件，数据从内核空间拷贝的用户空间，完成数据IO

IO多路复用使用的函数有三种，分别是：select、poll、epoll。三者在实现上有一些区别。IO多路复用实现的核心思想是监听文件描述符fd的状态，当fd状态就绪时通知对应的应用读取数据。

select

应用进程通过调用select函数，可以同时监控多个文件描述符。在select函数监控的fd中，只要有任何一个数据状态准备就绪了，select函数就会返回可读状态，这时应用进程再发起recvfrom请求去读取数据。

select缺点：

监听的IO最大连接数有限，在Linux系统上一般为1024。
select函数是通过遍历fdset，找到就绪的描述符fd。遍历的时间性能消耗较大

poll

由于select存在连接数限制，所以后来又提出了poll。poll模型里面通过使用链表的形式来保存自己监控的fd信息，连接数限制问题。

缺点：
select和poll一样，还是需要通过遍历文件描述符来获取已经就绪的socket。如果同时连接的大量客户端在一时刻可能只有极少处于就绪状态，伴随着监视的描述符数量的增长，效率也会线性下降。

epoll

epoll并不是像select一样去遍历事件列表逐个轮询的监控fd的事件状态，而是事先就建立了fd与之对应的回调函数，当事件激活后主动回调将fd加入到就绪链表中，这也就避免了遍历事件列表的这个操作。
这里去掉了遍历文件描述符的低性能操作，而是采用监听事件回调的的机制。这就是epoll的亮点。

小结

需要注意的是IO多路复用也是阻塞的IO，只不过它能并发处理的IO效率更高。

信号驱动模型

信号驱动IO不再用主动询问的方式去确认数据是否就绪，而是向内核发送一个信号（调用sigaction的时候建立一个SIGIO的信号），然后应用用户进程可以去做别的事，不用阻塞。当内核数据准备好后，再通过SIGIO信号通知应用进程，数据准备好后的可读状态。应用用户进程收到信号之后，立即调用recvfrom，去读取数据。

信号驱动IO模型，在应用进程发出信号后，是立即返回的，不会阻塞进程。它已经有异步操作的感觉了。但是数据复制到应用缓冲的时候，应用进程还是阻塞的。
回过头来看下，不管是非阻塞IO、IO多路复用还是信号驱动，在数据从内核复制到应用缓冲的时候，都是阻塞的。

异步IO模型

非阻塞IO、IO多路复用还是信号驱动在数据从内核复制到应用缓冲的时候，都是阻塞的，因此都不是真正的异步。
异步IO实现了IO全流程的非阻塞，就是应用进程发出系统调用后，是立即返回的，但是立即返回的不是处理结果，而是表示提交成功类似的意思。等内核数据准备好，将数据拷贝到用户进程缓冲区，发送信号通知用户进程IO操作执行完毕。

异步IO的原理很简单，只需要向内核发送一次请求，就可以完成数据状态询问和数据拷贝的所有操作，并且不用阻塞等待结果。

金色旭光