Python 使用协程与线程时的吞吐量差异

几天前，我问了一个关于如何帮助我设计构造多个HTTP请求的范例的问题

下面是一个场景。我想要一个多生产者、多消费者的系统。我的制作人抓取和刮取一些站点，并将找到的链接添加到队列中。因为我将对多个站点进行爬网，所以我希望有多个生产者/爬网者

消费者/工作者从这个队列中获取信息，向这些链接发出TCP/UDP请求，并将结果保存到我的Django数据库中。我还希望有多个工作人员，因为每个队列项目彼此完全独立

人们建议为此使用一个协同程序库，即Gevent或Eventlet。由于从未使用过协程，我了解到，尽管编程范式类似于线程范式，但只有一个线程正在积极执行，但当阻塞调用发生时（如I/O调用），堆栈在内存中切换，而另一个绿色线程将接管，直到它遇到某种阻塞I/O调用。希望我没弄错吧？以下是我的一篇SO帖子中的代码：

import gevent
from gevent.queue import *
import time
import random

q = JoinableQueue()
workers = []
producers = []


def do_work(wid, value):
    gevent.sleep(random.randint(0,2))
    print 'Task', value, 'done', wid


def worker(wid):
    while True:
        item = q.get()
        try:
            print "Got item %s" % item
            do_work(wid, item)
        finally:
            print "No more items"
            q.task_done()


def producer():
    while True:
        item = random.randint(1, 11)
        if item == 10:
            print "Signal Received"
            return
        else:
            print "Added item %s" % item
            q.put(item)


for i in range(4):
    workers.append(gevent.spawn(worker, random.randint(1, 100000)))

# This doesn't work.
for j in range(2):
    producers.append(gevent.spawn(producer))

# Uncommenting this makes this script work.
# producer()

q.join()

这很好，因为

sleep

调用正在阻止调用，当

sleep

事件发生时，另一个绿色线程将接管。这比顺序执行快得多。 如您所见，我的程序中没有任何代码故意将一个线程的执行转移到另一个线程。我看不出这如何适合上面的场景，因为我希望所有线程同时执行

所有这些都可以正常工作，但我觉得使用Gevent/Eventlets实现的吞吐量高于原始顺序运行的程序，但大大低于使用真正的线程实现的吞吐量

如果我使用线程机制重新实现我的程序，那么我的每个生产者和消费者都可以同时工作，而不需要像协程那样交换堆栈

这应该使用线程重新实现吗？我的设计错了吗？我没有看到使用协同程序的真正好处

也许我的概念有点模糊，但这就是我所吸收的。对我的范例和概念的任何帮助或澄清都是非常好的

---

谢谢

当您有很多（绿色）线程时，gevent非常棒。我测试了数千次，效果非常好。您必须确保用于刮取和保存到db的所有库都变为绿色。如果他们使用python的套接字，gevent注入应该可以工作。但是，用C编写的扩展（例如mysqldb）会阻塞，您需要使用绿色等价物

---

如果您使用gevent，您基本上可以消除队列，为每个任务生成新的（绿色）线程，线程的代码简单到

db.save（web.get（address））

。gevent将在数据库或web块中出现某些库时负责抢占。只要任务放在内存中，它就可以工作。

在这种情况下，问题不在于程序速度（即gevent或线程的选择），而在于网络IO吞吐量。这是（应该是）决定程序运行速度的瓶颈

Gevent是一种很好的方法，可以确保这是瓶颈，而不是程序的体系结构

这就是您想要的流程：

import gevent
from gevent.queue import Queue, JoinableQueue
from gevent.monkey import patch_all


patch_all()  # Patch urllib2, etc


def worker(work_queue, output_queue):
    for work_unit in work_queue:
        finished = do_work(work_unit)
        output_queue.put(finished)
        work_queue.task_done()


def producer(input_queue, work_queue):
    for url in input_queue:
        url_list = crawl(url)
        for work in url_list:
            work_queue.put(work)
        input_queue.task_done()


def do_work(work):
    gevent.sleep(0)  # Actually proces link here
    return work


def crawl(url):
    gevent.sleep(0)
    return list(url)  # Actually process url here

input = JoinableQueue()
work = JoinableQueue()
output = Queue()

workers = [gevent.spawn(worker, work, output) for i in range(0, 10)]
producers = [gevent.spawn(producer, input, work) for i in range(0, 10)]


list_of_urls = ['foo', 'bar']

for url in list_of_urls:
    input.put(url)

# Wait for input to finish processing
input.join()
print 'finished producing'
# Wait for workers to finish processing work
work.join()
print 'finished working'

# We now have output!
print 'output:'
for message in output:
    print message
# Or if you'd like, you could use the output as it comes!

您不需要等待输入和工作队列完成，我在这里刚刚演示了这一点

正如你所看到的，我的程序中没有任何代码是故意的 将一个线程的执行转移到另一个线程。我看不见 这是如何符合上述场景的，因为我希望 线程同时执行

有一个操作系统线程，但有几个greenlet。在您的情况下，

gevent.sleep（）

允许工人并发执行。阻止IO调用，例如

urlib2.urlopen（url）.read（）

如果使用

urlib2

patched来处理

gevent

（通过调用

gevent.monkey.patch_*（）

），则执行相同的操作

另请参见，以了解代码如何在单线程环境中并发工作

要比较gevent、线程、多处理之间的吞吐量差异，您可以编写与所有AProach兼容的代码：

#!/usr/bin/env python
concurrency_impl = 'gevent' # single process, single thread
##concurrency_impl = 'threading' # single process, multiple threads
##concurrency_impl = 'multiprocessing' # multiple processes

if concurrency_impl == 'gevent':
    import gevent.monkey; gevent.monkey.patch_all()

import logging
import time
import random
from itertools import count, islice

info = logging.info

if concurrency_impl in ['gevent', 'threading']:
    from Queue import Queue as JoinableQueue
    from threading import Thread
if concurrency_impl == 'multiprocessing':
    from multiprocessing import Process as Thread, JoinableQueue

脚本的其余部分对于所有并发实现都是相同的：

def do_work(wid, value):
    time.sleep(random.randint(0,2))
    info("%d Task %s done" % (wid, value))

def worker(wid, q):
    while True:
        item = q.get()
        try:
            info("%d Got item %s" % (wid, item))
            do_work(wid, item)
        finally:
            q.task_done()
            info("%d Done item %s" % (wid, item))

def producer(pid, q):
    for item in iter(lambda: random.randint(1, 11), 10):
        time.sleep(.1) # simulate a green blocking call that yields control
        info("%d Added item %s" % (pid, item))
        q.put(item)
    info("%d Signal Received" % (pid,))

不要在模块级别执行代码将其放入

main（）

：

---

为什么不使用多进程？我不知道多线程与多进程的利弊，所以我不知道它是否合适。在Python程序中，如果不借助C扩展（或重型操作系统进程），就没有“真正的线程”（在任何给定的时间只执行一个实际的操作系统线程）这样的东西由于全局解释器锁定，您的制作人无法产生控制权。在生产者完成之前不会有并发。嗨，Sebastian，我已经查看了我的代码，看到我的生产者和消费者同时工作。当阻塞操作发生在我的一个greenlet中时，它将控制权让给其他greenlet。我已经添加了缺少的

monkey\u patch

调用，这样套接字模块也不会阻塞，但我的处理器没有足够的内存。一台普通的电脑有足够的能量，可以同时连接更多的网络和更多的小绿圈，但我的速度不够快。我很困惑，为什么它不使用更多的处理器和更快的工作速度。你能帮我理解吗？我很迷路。谢谢。@IDANG Agarwalla先生：我已经对您在问题中发布的代码发表了评论<代码>生产者不能在其中同时工作。@Mridang Agarwalla:如果您的问题是IO绑定（磁盘、网络），那么无论您的CPU有多快都无关紧要，例如，如果您只能以50MB/s的速度写入磁盘，那么您的CPU可以处理1GB/s也无关紧要。此外，您的程序还可以使用其他有限的资源，例如打开的文件数。如果使用

gevent

确保所有阻塞调用

def main():
    logging.basicConfig(level=logging.INFO,
                        format="%(asctime)s %(process)d %(message)s")

    q = JoinableQueue()
    it = count(1)
    producers = [Thread(target=producer, args=(i, q)) for i in islice(it, 2)]
    workers = [Thread(target=worker, args=(i, q)) for i in islice(it, 4)]
    for t in producers+workers:
        t.daemon = True
        t.start()

    for t in producers: t.join() # put items in the queue
    q.join() # wait while it is empty
    # exit main thread (daemon workers die at this point)

if __name__=="__main__":    
   main()