使用协程与线程时的吞吐量差异

Question

几天前我问了一个关于 SO 的问题，关于帮助我设计一个用于构建多个 HTTP 请求的范例

这是场景。我想要一个多生产者、多消费者的系统。我的生产者抓取并抓取了一些网站，并将找到的链接添加到队列中。由于我将爬取多个站点，因此我希望有多个生产者/爬虫。

消费者/工作人员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。我也希望有多个工作人员，因为每个队列项目是完全独立的。

人们建议为此使用协程库，即 Gevent 或 Eventlet。从未使用过协程，我读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 - 例如 I/O 调用 - 堆栈在内存中切换，另一个绿色线程接管，直到遇到某种阻塞 I/O 调用。希望我做对了吗？这是我的一篇 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()

这很有效，因为sleep 调用是阻塞调用，当sleep 事件发生时，另一个绿色线程会接管。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交给另一个线程。我看不出这如何适应上述场景，因为我希望所有线程同时执行。

一切正常，但我觉得我使用 Gevent/Eventlets 实现的吞吐量高于原始的顺序运行程序，但远低于使用真实线程可以实现的吞吐量。

如果我要使用线程机制重新实现我的程序，我的每个生产者和消费者都可以同时工作，而无需像协程那样交换堆栈。

是否应该使用线程重新实现？我的设计错了吗？我没有看到使用协程的真正好处。

也许我的概念有点混乱，但这就是我所吸收的。对我的范式和概念的任何帮助或澄清都会很棒。

谢谢

Answer 1

当你有很多（绿色）线程时，gevent 很棒。我用数千人对其进行了测试，效果非常好。您已确保用于抓取和保存到数据库的所有库都变为绿色。 afaik 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，您需要改用绿色等效项。

如果你使用 gevent，你基本上可以取消队列，为每个任务生成新的（绿色）线程，线程的代码就像 db.save(web.get(address)) 一样简单。当 db 或 web 中的某些库阻塞时，gevent 将负责抢占。只要您的任务适合内存，它就会起作用。

Answer 2

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

Gevent 是确保是瓶颈的一种好方法，而不是您的程序架构。

这是您想要的过程：

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!

您无需等待输入和工作队列完成，我刚刚在这里演示了这一点。

Answer 3

如您所见，我的程序中没有任何故意的代码 将一个线程的执行交给另一个线程。我看不到 这如何适合上面的场景，因为我想拥有所有 线程同时执行。

只有一个 OS 线程，但有几个 greenlet。在您的情况下，gevent.sleep() 允许工作人员同时执行。如果您使用已修补的urllib2 与gevent 一起工作（通过调用gevent.monkey.patch_*()），阻塞IO 调用（例如urllib2.urlopen(url).read()）也会这样做。

另请参阅A Curious Course on Coroutines and Concurrency 以了解代码如何在单线程环境中同时工作。

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

#!/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把它放在main():

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()