IO 密集型應用

IO 密集型應用CPU等待IO時間遠大于CPU 自身運行時間，太浪費；常見的 IO 密集型業(yè)務包括：瀏覽器交互、磁盤請求、網絡爬蟲、數據庫請求等

image.png

Python 世界對于 IO 密集型場景的并發(fā)提升有 3 種方法：多進程、多線程、異步 IO(asyncio);理論上講asyncio是性能最高的，原因如下：

1.進程、線程會有CPU上下文切換

2.進程、線程需要內核態(tài)和用戶態(tài)的交互，性能開銷大；而協(xié)程對內核透明的,只在用戶態(tài)運行

3.進程、線程并不可以無限創(chuàng)建，最佳實踐一般是 CPU*2；而協(xié)程并發(fā)能力強，并發(fā)上限理論上取決于操作系統(tǒng)IO多路復用(Linux下是 epoll)可注冊的文件描述符的極限

那asyncio的實際表現是否如理論上那么強，到底強多少呢？我構建了如下測試場景：

訪問500臺 DB，并sleep 100ms模擬業(yè)務查詢

方法 1；順序串行一臺臺執(zhí)行

方法 2：多進程

方法 3：多線程

方法 4：asyncio

方法 5：asyncio+uvloop

最后的asyncio+uvloop和官方asyncio 最大不同是用 Cython+libuv 重新實現了asyncio 的事件循環(huán)(event loop)部分,官方測試性能是 node.js的 2 倍，持平 golang。

以下測試代碼需要 Pyhton3.7+：

順序串行一臺臺執(zhí)行

#!/usr/bin/env python3

# -*- coding: utf-8 -*-

import records

user=xx

pass=xx

port=xx

hosts= [....] # 500臺 db列表

def query(host):

conn = records.Database(

f'mysql+pymysql://{user}:{pass}@{host}:{port}/mysql?charset=utf8mb4')

rows = conn.query('select sleep(0.1);')

print(rows[0])

def main():

for h in hosts:

query(h)

# main entrance

if __name__ == '__main__':

main()

多進程

#!/usr/bin/env python3

# -*- coding: utf-8 -*-

from concurrent import futures

import records

user=xx

pass=xx

port=xx

hosts= [....] # 500臺 db列表

def query(host):

conn = records.Database(

f'mysql+pymysql://{user}:{pass}@{host}:{port}/mysql?charset=utf8mb4')

rows = conn.query('select sleep(0.1);')

print(rows[0])

def main():

with futures.ProcessPoolExecutor() as executor:

for future in executor.map(query,hosts):

pass

# main entrance

if __name__ == '__main__':

main()

多線程

#!/usr/bin/env python3

# -*- coding: utf-8 -*-

from concurrent import futures

import records

user=xx

pass=xx

port=xx

hosts= [....] # 500臺 db列表

def query(host):

conn = records.Database(

f'mysql+pymysql://{user}:{pass}@{host}:{port}/mysql?charset=utf8mb4')

rows = conn.query('select sleep(0.1);')

print(rows[0])

def main():

with futures.ThreadPoolExecutor() as executor:

for future in executor.map(query,hosts):

pass

# main entrance

if __name__ == '__main__':

main()

asyncio

#!/usr/bin/env python3

# -*- coding: utf-8 -*-

import asyncio

from databases import Database

user=xx

pass=xx

port=xx

hosts= [....] # 500臺 db列表

async def query(host):

DATABASE_URL = f'mysql+pymysql://{user}:{pass}@{host}:{port}/mysql?charset=utf8mb4'

async with Database(DATABASE_URL) as database:

query = 'select sleep(0.1);'

rows = await database.fetch_all(query=query)

print(rows[0])

async def main():

tasks = [asyncio.create_task(query(host)) for host in hosts]

await asyncio.gather(*tasks)

# main entrance

if __name__ == '__main__':

asyncio.run(main())

asyncio+uvloop

#!/usr/bin/env python3

# -*- coding: utf-8 -*-

import asyncio

import uvloop

from databases import Database

user=xx

pass=xx

port=xx

hosts= [....] # 500臺 db列表

async def query(host):

DATABASE_URL = f'mysql+pymysql://{user}:{pass}@{host}:{port}/mysql?charset=utf8mb4'

async with Database(DATABASE_URL) as database:

query = 'select sleep(0.1);'

rows = await database.fetch_all(query=query)

print(rows[0])

async def main():

tasks = [asyncio.create_task(query(host)) for host in hosts]

await asyncio.gather(*tasks)

# main entrance

if __name__ == '__main__':

uvloop.install()

asyncio.run(main())

運行時間對比

方式

運行時間

串行

1m7.745s

多進程

2.932s

多線程

4.813s

asyncio

1.068s

asyncio+uvloop

0.750s

可以看出: 無論多進程、多進程還是asyncio都能大幅提升IO 密集型場景下的并發(fā)，但asyncio+uvloop性能最高，運行時間只有原始串行運行時間的 1/90，相差快 2 個數量級了！

內存占用對比

串行

image.png

多進程

image.png

多線程

image.png

asyncio

image.png

asyncio+uvloop

image.png

可以看出asyncio+uvloop內存占用表現仍然最優(yōu),只有 60M;而多進程占用多達 1.4G,果然創(chuàng)建進程是個十分重的操作~

總結

asyncio 無論運行時間還是內存占用都遠優(yōu)于多進程、多線程，配合 uvloop 性能還能進一步提升，在 IO 密集型業(yè)務中可以優(yōu)先使用 asyncio。

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的python异步和多线程_Python 异步 IO(asyncio)、多进程、多线程性能对比的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。