Python并发编程简介

1、Python对并发编程的支持

多线程: threading, 利用CPU和IO可以同时执行的原理,让CPU不会干巴巴等待IO完成
多进程: multiprocessing, 利用多核CPU的能力，真正的并行执行任务
异步IO: asyncio,在单线程利用CPU和IO同时执行的原理，实现函数异步执行
使用Lock对资源加锁，防止冲突访问
使用Queue实现不同线程/进程之间的数据通信，实现生产者-消费者模式
使用线程池Pool/进程池Pool,简化线程/进程的任务提交、等待结束、获取结果
使用subprocess启动外部程序的进程，并进行输入输出交互

2、怎样选择多线程多进程多协程

Python并发编程有3三种方式：多线程Thread、多进程Process、多协程Coroutine

2.1 什么是CPU密集型计算、IO密集型计算?

CPU密集型（CPU-bound ) :
CPU密集型也叫计算密集型，是指I/O在很短的时间就可以完成，CPU需要大量的计算和处理，特点是CPU占用率相当高
例如：压缩解压缩、加密解密、正则表达式搜索
IO密集型（I/0 bound）:
IO密集型指的是系统运作大部分的状况是CPU在等I/O (硬盘/内存)的读/写操作，CPU占用率仍然较低。
例如：文件处理程序、网络爬虫程序、读写数据库程序（依赖大量的外部资源）

2.2 多线程、多进程、多协程的对比

一个进程中可以启动N个线程，一个线程中可以启动N个协程
多进程Process ( multiprocessing )

优点：可以利用多核CPU并行运算
缺点：占用资源最多、可启动数目比线程少
适用于：CPU密集型计算

多线程Thread ( threading)

优点：相比进程，更轻量级、占用资源少
缺点：
相比进程:多线程只能并发执行，不能利用多CPU ( GIL )
相比协程：启动数目有限制，占用内存资源，有线程切换开销
适用于： IO密集型计算、同时运行的任务数目要求不多

多协程Coroutine ( asyncio )

优点：内存开销最少、启动协程数量最多
缺点：支持的库有限制（aiohttp VS requests )、代码实现复杂
适用于：IO密集型计算、需要超多任务运行、但有现成库支持的场景

2.3 怎样根据任务选择对应技术?

 flowchart LR
 A[待执行任务]-->B{任务特点}
 B --- C(CPU密集型)
C-->E(["使用多进程
			multiprocessing"])
 B ---D(IO密集型)

D-->F{"1、需要超多任务量？
			2、有现成协程库支持？
			3、协程实现复杂度可接受？"}
F -- 否---> G(["使用多线程
			threading"])
F -- 是---> H(["使用多协程
			asyncio"])

%% style选项为每个节点设置了颜色和边框样式
style A fill:#333399,color:#fff
style B fill:#fff,stroke:#CC6600
style C fill:#FFFFCC
style D fill:#FFFFCC
style E fill:#FF9999
style F fill:#fff,stroke:#CC6600
style G fill:#FF9999
style H fill:#FF9999

%% linkStyle选项为连接线设置颜色和样式
linkStyle 1 stroke:blue,stroke-width:1px;
linkStyle 3 stroke:blue,stroke-width:1px;

3、 Python速度慢的罪魁祸首——全局解释器锁GIL

3.1 Python速度慢的两大原因

相比C/C+ +/JAVA, Python确实慢，在一些特殊场景下，Python比C+ +慢100~ 200倍
由于速度慢的原因，很多公司的基础架构代码依然用C/C+ +开发
比如各大公司阿里/腾讯/快手的推荐引擎、搜索引擎、存储引擎等底层对性能要求高的模块
Python速度慢的原因1
动态类型语言，边解释边执行
Python速度慢的原因2
GIL ，无法利用多核CP并发执行

3.2 GIL是什么?

全局解释器锁( 英语: Global Interpreter Lock,缩写GIL)
是计算机程序设计语言解释器用于同步线程的一种机制，它使得任何时刻仅有一个线程在执行。
即便在多核心处理器上，使用GIL的解释器也只允许同一时间执行一个线程。
在这里插入图片描述
由于GIL的存在，即使电脑有多核CPU，单个时刻也只能使用1个，相比并发加速的C+ +/JAVA所以慢

3.3 为什么有GIL .这个东西?

简而言之: Python设计初期，为了规避并发问题引入了GIL,现在想去除却去不掉了!
为了解决多线程之间数据完整性和状态同步问题
Python中对象的管理，是使用引用计数器进行的，引用数为0则释放对象
开始:线程A和线程B都引用了对象obj，obj.ref_ num = 2,线程A和B都想撤销对obj的引用
在这里插入图片描述

GIL确实有好处：简化了Python对共享资源的管理;

3.4 怎样规避GIL带来的限制?

多线程threading机制依然是有用的，用于IO密集型计算
因为在I/O (read,write ,send,recv,etc. )期间，线程会释放GIL，实现CPU和IO的并行
因此多线程用于IO密集型计算依然可以大幅提升速度
但是多线程用于CPU密集型计算时，只会更加拖慢速度
使用multiprocessing的多进程机制实现并行计算、利用多核CPU优势
为了应对GIL的问题，Python提供了multiprocessing

4、使用多线程，爬虫被加速

4.1 Python创建多线程的方法

1、准备一个函数

def my_func(a,b):
	do_craw(a,b)

2、创建一个线程

import threading
t = threading.Thread(target=my_func,args=(100,200))

3、启动线程

t.start()

4、等待结束

t.join()

4.2 改写爬虫程序，变成多线程爬取

blog_spider.py程序

import requests

urls = [
    f"https://www.cnblogs.com/sitehome/p/{page}"
    for page in range(1, 50 + 1)
]

def craw(url):
    r = requests.get(url)
    print(url, len(r.text))

import blog_spider
import threading
import time


def single_thread():
    print("single_thread begin...")
    for url in blog_spider.urls:
        blog_spider.craw(url)
    print("single_thread end...")


def multi_thread():
    print("multi_thread begin...")
    threads = []
    for url in blog_spider.urls:
        threads.append(threading.Thread(target=blog_spider.craw,args=(url,)))

    for thread in threads:
        thread.start()

    for thread in threads:
        thread.join()

    print("multi_thread end...")


if __name__ == '__main__':
    start = time.time()
    single_thread()
    end=time.time()
    print("single thread cost:",end-start,"seconds")

    begin = time.time()
    multi_thread()
    finish = time.time()
    print("multi thread cost:", finish - begin, "seconds")

4.3 速度对比:单线程爬虫VS多线程爬虫

在这里插入图片描述

5 Python实现生产者消费者爬虫

5.1 多组件的Pipeline技术架构

复杂的事情一般都不会一下子做完，而是会分很多中间步骤一步步完成。
在这里插入图片描述

graph LR
O[ ] --> |输入数据|A(处理器1)-->|中间数据|B(处理器X<br>很多个)-->|中间数据|C(处理器N)-->|输出数据|D[ ]

5.2 生产者消费者爬虫的架构

5.3 多线程数据通信的queue.Queue

5.4 代码编写实现生产者消费者爬虫

import requests
from bs4 import BeautifulSoup


urls = [
    # f"https://www.cnblogs.com/#p{page}"
    f"https://www.cnblogs.com/sitehome/p/{page}"
    for page in range(1, 3 + 1)
]



def craw(url):
    r = requests.get(url)
    return r.text


def parse(html):
    soup=BeautifulSoup(html,'html.parser')
    links = soup.find_all('a',class_="post-item-title")
    return [(link["href"],link.get_text()) for link in links]


if __name__ == '__main__':
    for result in parse(craw(urls[0])):
        print(result)

import blog_spider
import threading
import time
import queue
import random


def do_craw(url_queue: queue.Queue, html_queue: queue.Queue):
    while True:
        url = url_queue.get()
        html = blog_spider.craw(url)
        html_queue.put(html)
        print(threading.current_thread().name, f"craw {url}",
              "url_queue.size=", url_queue.qsize())
        # time.sleep(random.randint(1, 2))


def do_parse(html_queue: queue.Queue, fout):
    while True:
        html = html_queue.get()
        results = blog_spider.parse(html)
        for result in results:
            fout.write(str(result) + "\n")
        print(threading.current_thread().name, f"results.size {len(results)}",
              "html_queue.size=", html_queue.qsize())
        # time.sleep(random.randint(1, 2))


if __name__ == '__main__':
    url_queue = queue.Queue()
    html_queue = queue.Queue()
    for url in blog_spider.urls:
        url_queue.put(url)

    for idx in range(3):
        t = threading.Thread(target=do_craw, args=(url_queue, html_queue), name=f"craw{idx}")
        t.start()


    fout = open("02.data.txt", 'w', encoding='utf-8')

    for idx in range(2):
        t = threading.Thread(target=do_parse, args=(html_queue, fout), name=f"parse{idx}")
        t.start()

6、Python线程安全问题以及解决方案

import threading
import time

lock = threading.Lock()


class Accout():
    def __init__(self,balance):
        self.balance=balance

def draw(accout,amount):
    with lock:
        if accout.balance>=amount:
            time.sleep(0.1)
            print(threading.current_thread().name,"取钱成功")
            accout.balance-=amount
            print(threading.current_thread().name, "余额",accout.balance)
        else:
            print(threading.current_thread().name, "取钱失败，余额不足")

if __name__ == '__main__':
    accout=Accout(1000)
    ta = threading.Thread(target=draw,args=(accout,600))
    tb = threading.Thread(target=draw, args=(accout, 600))

    ta.start()
    tb.start()

    ta.join()
    tb.join()

7、Python好用的线程池ThreadPoolExecutor

import concurrent.futures
import blog_spider

with concurrent.futures.ThreadPoolExecutor() as pool:
    htmls = pool.map(blog_spider.craw, blog_spider.urls)
    htmls = list(zip(blog_spider.urls, htmls))
    for url, html in htmls:
        print(url, len(html))

print("爬虫结束..")

with concurrent.futures.ThreadPoolExecutor() as pool:
    futures = {}
    for url, html in htmls:
        future = pool.submit(blog_spider.parse, html)
        futures[future] = url

    # for future,url in futures.items():
    #     print(url,future.result())

    for future in concurrent.futures.as_completed(futures):
        # url = futures[future]
        futures[future] = url
        print(url, future.result())

8、Python使用线程池在Web服务中实现加速

import flask
import json
import time
from concurrent.futures import ThreadPoolExecutor
app = flask.Flask(__name__)
pool = ThreadPoolExecutor()

def read_db():
    time.sleep(0.2)
    return "db result"


def read_file():
    time.sleep(0.1)
    return "file result"


def read_api():
    time.sleep(0.3)
    return "api result"


@app.route("/")
def index():
    result_file=pool.submit(read_file)
    result_db = pool.submit(read_db)
    result_api = pool.submit(read_api)

    return json.dumps({
        "result_file":result_file.result(),
        "result_db": result_db.result(),
        "result_db": result_api.result(),
    })


if __name__ == '__main__':
    app.run()

9、使用多进程multiprocessing模块加速程序的运行

import math
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor
import time

PRIMES = [112272535095293] * 10

def is_prime(n):
    if n < 2:
        return False
    if n == 2:
        return True
    if n % 2 == 0:
        return False
    sqrt_n = int(math.floor(math.sqrt(n)))
    for i in range(3, sqrt_n + 1, 2):
        if n % i == 0:
            return False
    return True


def single_thread():
    for num in PRIMES:
        is_prime(num)


def multi_thread():
    with ThreadPoolExecutor() as pool:
        pool.map(is_prime, PRIMES)


def multi_process():
    with ProcessPoolExecutor() as pool:
        pool.map(is_prime, PRIMES)


if __name__ == '__main__':
    start = time.time()
    single_thread()
    end = time.time()
    print("single thread cost:", end - start, "secend")

    start = time.time()
    multi_thread()
    end = time.time()
    print("multi thread cost:", end - start, "secend")

    start = time.time()
    multi_process()
    end = time.time()
    print("multi process cost:", end - start, "secend")

在这里插入图片描述

10、Python在Flask服务中使用多进程池加速程序运行

import flask
import math
import json
from concurrent.futures import ProcessPoolExecutor

app = flask.Flask(__name__)


def is_prime(n):
    if n < 2:
        return False
    if n == 2:
        return True
    if n % 2 == 0:
        return False
    sqrt_n = int(math.floor(math.sqrt(n)))
    for i in range(3, sqrt_n + 1, 2):
        if n % i == 0:
            return False
    return True


@app.route("/is_prime/<numbers>")
def api_is_prime(numbers):
    number_list = [int(x) for x in numbers.split(",")]
    results = process_pool.map(is_prime, number_list)
    return json.dumps(dict(zip(number_list, results)))


if __name__ == '__main__':
    process_pool = ProcessPoolExecutor()
    app.run()

11、Python异步IO实现并发爬虫

import asyncio
import aiohttp
import blog_spider
import time


async def async_craw(url):
    print("爬虫开始：", url)
    async with aiohttp.ClientSession() as session:
        async with session.get(url) as resp:
            result = await resp.text()
            print(f"craw url:{url},{len(result)}")


loop = asyncio.get_event_loop()

tasks = [loop.create_task(async_craw(url)) for url in blog_spider.urls]

start = time.time()
loop.run_until_complete(asyncio.wait(tasks))
end = time.time()
print("asyncio cost:", end - start, "second")

12、在异步IO中使用信号量控制爬虫并发度

import asyncio
import aiohttp
import blog_spider
import time


async def async_craw(url):
    print("爬虫开始：", url)
    async with aiohttp.ClientSession() as session:
        async with session.get(url) as resp:
            result = await resp.text()
            print(f"craw url:{url},{len(result)}")


loop = asyncio.get_event_loop()

tasks = [loop.create_task(async_craw(url)) for url in blog_spider.urls]

start = time.time()
loop.run_until_complete(asyncio.wait(tasks))
end = time.time()
print("asyncio cost:", end - start, "second")