這里先引用一下百度百科的定義.
創(chuàng)新互聯(lián)是一家專業(yè)從事成都做網站、網站制作的網絡公司。作為專業(yè)網站建設公司,創(chuàng)新互聯(lián)依托的技術實力、以及多年的網站運營經驗,為您提供專業(yè)的成都網站建設、全網營銷推廣及網站設計開發(fā)服務！
并發(fā)，在操作系統(tǒng)中，是指一個時間段中有幾個程序都處于已啟動運行到運行完畢之間，且這幾個程序都是在同一個處理機上運行，但任一個時刻點上只有一個程序在處理機上運行
里面的一個時間段內說明非常重要,這里假設這個時間段是一秒,所以本文指的并發(fā)是指服務器在一秒中處理的請求數量,即rps,那么rps高,本文就認為高并發(fā).
啥?這不是你認為的高并發(fā), 出門左轉。
如果由筆者來概括，操作系統(tǒng)大概做了兩件事情，計算與IO，任何具體數學計算或者邏輯判斷，或者業(yè)務邏輯都是計算，而網絡交互，磁盤交互，人機之間的交互都是IO。
根據筆者經驗，大多數時候在IO上面。注意，這里說得是大多數，不是說絕對。
因為大多數時候業(yè)務本質上都是從數據庫或者其他存儲上讀取內容，然后根據一定的邏輯，將數據返回給用戶，比如大多數web內容。而大多數邏輯的交互都算不上計算量多大的邏輯，CPU的速度要遠遠高于內存IO,磁盤IO,網絡IO, 而這些IO中網絡IO最慢。
在根據上面的筆者對操作系統(tǒng)的概述，當并發(fā)高到一定的程度，根據業(yè)務的不同，比如計算密集，IO密集，或兩者皆有，因此瓶頸可能出在計算上面或者IO上面，又或兩者兼有。
而本文解決的高并發(fā)，是指IO密集的高并發(fā)瓶頸，因此，計算密集的高并發(fā)并不在本文的討論范圍內。
為了使本文歧義更少，這里的IO主要指網絡IO.
使用協(xié)程, 事件循環(huán), 高效IO模型(比如多路復用，比如epoll), 三者缺一不可。
很多時候，筆者看過的文章都是說協(xié)程如何如何，最后告訴我一些協(xié)程庫或者asyncio用來說明協(xié)程的威力，最終我看懂了協(xié)程，卻還是不知道它為啥能高并發(fā)，這也是筆者寫本文的目的。
但是一切還是得從生成器說起，因為asyncio或者大多數協(xié)程庫內部也是通過生成器實現(xiàn)的。
注意上面的三者缺一不可。
如果只懂其中一個，那么你懂了三分之一，以此類推，只有都會了，你才知道為啥協(xié)程能高并發(fā)。
生成器的定義很抽象，現(xiàn)在不懂沒關系，但是當你懂了之后回過頭再看，會覺得定義的沒錯，并且準確。下面是定義
摘自百度百科: 生成器是一次生成一個值的特殊類型函數?？梢詫⑵湟暈榭苫謴秃瘮?。
關于生成器的內容，本文著重于生成器實現(xiàn)了哪些功能，而不是生成器的原理及內部實現(xiàn)。
簡單例子如下
重慶分公司
重慶分公司
def gen_func():
yield 1
yield 2
yield 3
if __name__ == '__main__':
gen = gen_func()
for i in gen:
print(i)
output:
1
2
3上面的例子沒有什么稀奇的不是嗎？yield像一個特殊的關鍵字，將函數變成了一個類似于迭代器的對象，可以使用for循環(huán)取值。
協(xié)程自然不會這么簡單，python協(xié)程的目標是星辰大海，從上面的例之所以get不到它的野心，是因為你沒有試過send, next兩個函數。
首先說next
def gen_func():
yield 1
yield 2
yield 3
if __name__ == '__main__':
gen = gen_func()
print(next(gen))
print(next(gen))
print(next(gen))
output:
1
2
3
next的操作有點像for循環(huán)，每調用一次next，就會從中取出一個yield出來的值，其實還是沒啥特別的，感覺還沒有for循環(huán)好用。
不過，不知道你有沒有想過，如果你只需要一個值，你next一次就可以了，然后你可以去做其他事情，等到需要的時候才回來再次next取值。
就這一部分而言，你也許知道為啥說生成器是可以暫停的了，不過，這似乎也沒什么用，那是因為你不知到時，生成器除了可以拋出值，還能將值傳遞進去。
接下來我們看send的例子。
def gen_func():
a = yield 1
print("a: ", a)
b = yield 2
print("b: ", b)
c = yield 3
print("c: ", c)
return "finish"
if __name__ == '__main__':
gen = gen_func()
for i in range(4):
if i == 0:
print(gen.send(None))
else:
# 因為gen生成器里面只有三個yield，那么只能循環(huán)三次。
# 第四次循環(huán)的時候,生成器會拋出StopIteration異常,并且return語句里面內容放在StopIteration異常里面
try:
print(gen.send(i))
except StopIteration as e:
print("e: ", e)
output:
1
a: 1
2
b: 2
3
c: 3
e: finishsend有著next差不多的功能，不過send在傳遞一個值給生成器的同時，還能獲取到生成器yield拋出的值，在上面的代碼中，send分別將None,1,2,3四個值傳遞給了生成器，之所以第一需要傳遞None給生成器，是因為規(guī)定，之所以規(guī)定，因為第一次傳遞過去的值沒有特定的變量或者說對象能接收，所以規(guī)定只能傳遞None, 如果你傳遞一個非None的值進去，會拋出一下錯誤
TypeError: can't send non-None value to a just-started generator從上面的例子我們也發(fā)現(xiàn)，生成器里面的變量a,b,c獲得了，send函數發(fā)送將來的1, 2, 3.
如果你有事件循環(huán)或者說多路復用的經驗，你也許能夠隱隱察覺到微妙的感覺。
這個微妙的感覺是，是否可以將IO操作yield出來？由事件循環(huán)調度, 如果你能get到這個微妙的感覺,那么你已經知道協(xié)程高并發(fā)的秘密了.
但是還差一點點.嗯, 還差一點點了.
下面是yield from的例子
def gen_func():
a = yield 1
print("a: ", a)
b = yield 2
print("b: ", b)
c = yield 3
print("c: ", c)
return 4
def middle():
gen = gen_func()
ret = yield from gen
print("ret: ", ret)
return "middle Exception"
def main():
mid = middle()
for i in range(4):
if i == 0:
print(mid.send(None))
else:
try:
print(mid.send(i))
except StopIteration as e:
print("e: ", e)
if __name__ == '__main__':
main()
output:
1
a: 1
2
b: 2
3
c: 3
ret: 4
e: middle Exception從上面的代碼我們發(fā)現(xiàn),main函數調用的middle函數的send,但是gen_func函數卻能接收到main函數傳遞的值.有一種透傳的感覺,這就是yield from的作用, 這很關鍵。
而yield from最終傳遞出來的值是StopIteration異常，異常里面的內容是最終接收生成器(本示例是gen_func)return出來的值，所以ret獲得了gen_func函數return的4.但是ret將異常里面的值取出之后會繼續(xù)將接收到的異常往上拋，所以main函數里面需要使用try語句捕獲異常。而gen_func拋出的異常里面的值已經被middle函數接收，所以middle函數會將拋出的異常里面的值設為自身return的值，
至此生成器的全部內容講解完畢，如果，你get到了這些功能，那么你已經會使用生成器了。
再次強調,本小結只是說明生成器的功能,至于具體生成器內部怎么實現(xiàn)的,你可以去看其他文章,或者閱讀源代碼.
Linux平臺一共有五大IO模型，每個模型有自己的優(yōu)點與確定。根據應用場景的不同可以使用不同的IO模型。
不過本文主要的考慮場景是高并發(fā)，所以會針對高并發(fā)的場景做出評價。
同步模型自然是效率最低的模型了，每次只能處理完一個連接才能處理下一個,如果只有一個線程的話, 如果有一個連接一直占用，那么后來者只能傻傻的等了。所以不適合高并發(fā)，不過最簡單，符合慣性思維。
不會阻塞后面的代碼，但是需要不停的顯式詢問內核數據是否準備好，一般通過while循環(huán)，而while循環(huán)會耗費大量的CPU。所以也不適合高并發(fā)。
當前最流行，使用最廣泛的高并發(fā)方案。
而多路復用又有三種實現(xiàn)方式, 分別是select, poll, epoll。
select,poll由于設計的問題，當處理連接過多會造成性能線性下降，而epoll是在前人的經驗上做過改進的解決方案。不會有此問題。
不過select, poll并不是一無是處，假設場景是連接數不多，并且每個連接非?；钴S，select，poll是要性能高于epoll的。
至于為啥，查看小結參考鏈接, 或者自行查詢資料。
但是本文講解的高并發(fā)可是指的連接數非常多的。
很偏門的一個IO模型，不曾遇見過使用案例?？茨Ｐ鸵膊灰姷帽榷嗦窂陀煤糜?。
用得不是很多，理論上比多路復用更快，因為少了一次調用，但是實際使用并沒有比多路復用快非常多，所以為啥不使用廣泛使用的多路復用。
使用最廣泛多路復用epoll, 可以使得IO操作更有效率。但是使用上有一定的難度。
至此，如果你理解了多路復用的IO模型，那么你了解python為什么能夠通過協(xié)程實現(xiàn)高并發(fā)的三分之二了。
IO模型參考: https://www.jianshu.com/p/486b0965c296
select,poll,epoll區(qū)別參考: https://www.cnblogs.com/Anker/p/3265058.html
上面的IO模型能夠解決IO的效率問題，但是實際使用起來需要一個事件循環(huán)驅動協(xié)程去處理IO。
下面引用官方的一個簡單例子。
import selectors
import socket
# 創(chuàng)建一個selctor對象
# 在不同的平臺會使用不同的IO模型,比如Linux使用epoll, windows使用select(不確定)
# 使用select調度IO
sel = selectors.DefaultSelector()
# 回調函數,用于接收新連接
def accept(sock, mask):
conn, addr = sock.accept() # Should be ready
print('accepted', conn, 'from', addr)
conn.setblocking(False)
sel.register(conn, selectors.EVENT_READ, read)
# 回調函數,用戶讀取client用戶數據
def read(conn, mask):
data = conn.recv(1000) # Should be ready
if data:
print('echoing', repr(data), 'to', conn)
conn.send(data) # Hope it won't block
else:
print('closing', conn)
sel.unregister(conn)
conn.close()
# 創(chuàng)建一個非堵塞的socket
sock = socket.socket()
sock.bind(('localhost', 1234))
sock.listen(100)
sock.setblocking(False)
sel.register(sock, selectors.EVENT_READ, accept)
# 一個事件循環(huán),用于IO調度
# 當IO可讀或者可寫的時候, 執(zhí)行事件所對應的回調函數
def loop():
while True:
events = sel.select()
for key, mask in events:
callback = key.data
callback(key.fileobj, mask)
if __name__ == '__main__':
loop()
上面代碼中l(wèi)oop函數對應事件循環(huán),它要做的就是一遍一遍的等待IO,然后調用事件的回調函數.
但是作為事件循環(huán)遠遠不夠,比如怎么停止,怎么在事件循環(huán)中加入其他邏輯.
如果就功能而言,上面的代碼似乎已經完成了高并發(fā)的影子,但是如你所見,直接使用select的編碼難度比較大, 再者回調函數素來有"回調地獄"的惡名.
實際生活中的問題要復雜的多，作為一個調庫狂魔，怎么可能會自己去實現(xiàn)這些，所以python官方實現(xiàn)了一個跨平臺的事件循環(huán)，至于IO模型具體選擇，官方會做適配處理。
不過官方實現(xiàn)是在Python3.5及以后了，3.5之前的版本只能使用第三方實現(xiàn)的高并發(fā)異步IO解決方案, 比如tornado,gevent,twisted。
至此你需要get到python高并發(fā)的必要條件了.
在本文開頭,筆者就說過,python要完成高并發(fā)需要協(xié)程,事件循環(huán),高效IO模型.而Python自帶的asyncio模塊已經全部完成了.盡情使用吧.
下面是有引用官方的一個例子
import asyncio
# 通過async聲明一個協(xié)程
async def handle_echo(reader, writer):
# 將需要io的函數使用await等待, 那么此函數就會停止
# 當IO操作完成會喚醒這個協(xié)程
# 可以將await理解為yield from
data = await reader.read(100)
message = data.decode()
addr = writer.get_extra_info('peername')
print("Received %r from %r" % (message, addr))
print("Send: %r" % message)
writer.write(data)
await writer.drain()
print("Close the client socket")
writer.close()
# 創(chuàng)建事件循環(huán)
loop = asyncio.get_event_loop()
# 通過asyncio.start_server方法創(chuàng)建一個協(xié)程
coro = asyncio.start_server(handle_echo, '127.0.0.1', 8888, loop=loop)
server = loop.run_until_complete(coro)
# Serve requests until Ctrl+C is pressed
print('Serving on {}'.format(server.sockets[0].getsockname()))
try:
loop.run_forever()
except KeyboardInterrupt:
pass
# Close the server
server.close()
loop.run_until_complete(server.wait_closed())
loop.close()總的來說python3.5明確了什么是協(xié)程，什么是生成器，雖然原理差不多，但是這樣會使得不會讓生成器即可以作為生成器使用(比如迭代數據)又可以作為協(xié)程。
所以引入了async,await使得協(xié)程的語義更加明確。
asyncio官方只實現(xiàn)了比較底層的協(xié)議，比如TCP，UDP。所以諸如HTTP協(xié)議之類都需要借助第三方庫，比如aiohttp。
雖然異步編程的生態(tài)不夠同步編程的生態(tài)那么強大，但是如果又高并發(fā)的需求不妨試試，下面說一下比較成熟的異步庫
異步http client/server框架
github地址: https://github.com/aio-libs/aiohttp
速度更快的類flask web框架。
github地址:
https://github.com/channelcat/sanic
快速，內嵌于asyncio事件循環(huán)的庫，使用cython基于libuv實現(xiàn)。
官方性能測試:
nodejs的兩倍，追平golang
github地址: https://github.com/MagicStack/uvloop
為了減少歧義，這里的性能測試應該只是網絡IO高并發(fā)方面不是說任何方面追平golang。
Python之所以能夠處理網絡IO高并發(fā)，是因為借助了高效的IO模型，能夠最大限度的調度IO，然后事件循環(huán)使用協(xié)程處理IO，協(xié)程遇到IO操作就將控制權拋出，那么在IO準備好之前的這段事件，事件循環(huán)就可以使用其他的協(xié)程處理其他事情，然后協(xié)程在用戶空間，并且是單線程的，所以不會像多線程，多進程那樣頻繁的上下文切換，因而能夠節(jié)省大量的不必要性能損失。
注: 不要再協(xié)程里面使用time.sleep之類的同步操作，因為協(xié)程再單線程里面，所以會使得整個線程停下來等待，也就沒有協(xié)程的優(yōu)勢了
本文主要講解Python為什么能夠處理高并發(fā),不是為了講解某個庫怎么使用,所以使用細節(jié)請查閱官方文檔或者執(zhí)行。
無論什么編程語言，高性能框架，一般由事件循環(huán) + 高性能IO模型(也許是epoll)組成。
