gevent / requests 在发出大量头部请求时挂起

Question

我需要发出 10 万个头部请求，并且我在请求之上使用 gevent。我的代码运行了一段时间，但最终挂起。我不确定它为什么挂起，或者它是否挂在请求或 gevent 中。我在请求和 gevent 中都使用了 timeout 参数。

请看看我下面的代码 sn-p，让我知道我应该改变什么。

import gevent
from gevent import monkey, pool
monkey.patch_all()
import requests

def get_head(url, timeout=3):
    try:
        return requests.head(url, allow_redirects=True, timeout=timeout)
    except:
        return None

def expand_short_urls(short_urls, chunk_size=100, timeout=60*5):
    chunk_list = lambda l, n: ( l[i:i+n] for i in range(0, len(l), n) )
    p = pool.Pool(chunk_size)
    print 'Expanding %d short_urls' % len(short_urls)
    results = {}
    for i, _short_urls_chunked in enumerate(chunk_list(short_urls, chunk_size)):
        print '\t%d. processing %d urls @ %s' % (i, chunk_size, str(datetime.datetime.now()))
        jobs = [p.spawn(get_head, _short_url) for _short_url in _short_urls_chunked]
        gevent.joinall(jobs, timeout=timeout)
        results.update({_short_url:job.get().url for _short_url, job in zip(_short_urls_chunked, jobs) if job.get() is not None and job.get().status_code==200})
    return results 

我已经尝试过 grequests，但它已被放弃，我已经完成了 github 拉取请求，但它们也都有问题。

Answer 1

您观察到的 RAM 使用主要源于存储 100.000 个响应对象时堆积的所有数据以及所有底层开销。我已经复制了您的应用案例，并针对 Alexa 排名靠前的 15000 个 URL 发出了 HEAD 请求。没关系

• 无论我使用的是 gevent 池（即每个连接一个 greenlet）还是一组固定的 greenlet，都请求多个 URL
• 我设置的池大小有多大

最终，RAM 使用量随着时间的推移而增长，达到相当大的数量。但是，我注意到从 requests 更改为 urllib2 已经导致 RAM 使用量减少了大约两倍。也就是我换了

result = requests.head(url)

与

request = urllib2.Request(url)
request.get_method = lambda : 'HEAD'
result = urllib2.urlopen(request)

其他一些建议：不要使用两种超时机制。 Gevent 的超时方法非常可靠，您可以像这样轻松使用它：

def gethead(url):
    result = None
    try:
        with Timeout(5, False):
            result = requests.head(url)
    except Exception as e:
        result = e
    return result

可能看起来很棘手，但要么返回None（在相当精确的 5 秒后，并指示超时）、表示通信错误的任何异常对象，要么返回响应。效果很好！

虽然这可能不是问题的一部分，但在这种情况下，我建议让工人活着，让他们每个人处理多个项目！确实，产卵小绿叶的开销很小。不过，这将是一个非常简单的解决方案，其中包含一组长寿的 greenlets：

def qworker(qin, qout):
    while True:
        try:
            qout.put(gethead(qin.get(block=False)))
        except Empty:
            break

qin = Queue()
qout = Queue()

for url in urls:
    qin.put(url)

workers = [spawn(qworker, qin, qout) for i in xrange(POOLSIZE)]
joinall(workers)
returnvalues = [qout.get() for _ in xrange(len(urls))]

此外，您确实需要意识到这是您正在解决的大规模问题，会产生非标准问题。当我以 20 秒的超时和 100 个工作人员和 15000 个要请求的 URL 重现您的场景时，我很容易得到大量的套接字：

# netstat -tpn | wc -l
10074

也就是说，操作系统有超过 10000 个套接字要管理，其中大部分处于 TIME_WAIT 状态。我还观察到“打开的文件太多”错误，并通过 sysctl 调整了限制。当您请求 100.000 个 URL 时，您也可能会达到这样的限制，您需要采取措施防止系统饥饿。

还要注意您使用请求的方式，它会自动遵循从 HTTP 到 HTTPS 的重定向，并自动验证证书，所有这些肯定会消耗 RAM。

在我的测量中，当我将请求的 URL 数量除以程序的运行时间时，我几乎从未超过 100 响应/秒，这是与世界各地的外国服务器的高延迟连接的结果。我想你也受到这样的限制。将架构的其余部分调整到此限制，您可能能够生成从 Internet 到磁盘（或数据库）的数据流，而两者之间的 RAM 使用量不会那么大。

我应该解决你的两个主要问题，具体来说：

我认为 gevent/您使用它的方式不是您的问题。我认为您只是低估了任务的复杂性。它伴随着令人讨厌的问题，并将您的系统推向了极限。

• 您的 RAM 使用问题：如果可以，请使用 urllib2 开始。然后，如果事情积累得太高，你需要反对积累。尝试产生一个稳定状态：您可能希望开始将数据写入磁盘，并且通常会针对对象可能被垃圾回收的情况进行处理。

• 您的代码“最终挂起”：这可能是您的 RAM 问题。如果不是，则不要生成这么多的greenlets，而是按照指示重用它们。此外，进一步减少并发，监控打开的套接字数量，必要时增加系统限制，并尝试找出确切您的软件挂起的位置。

Answer 2

我不确定这是否能解决您的问题，但您没有正确使用 pool.Pool()。

试试这个：

def expand_short_urls(short_urls, chunk_size=100):
    # Pool() automatically limits your process to chunk_size greenlets running concurrently
    # thus you don't need to do all that chunking business you were doing in your for loop
    p = pool.Pool(chunk_size)
    print 'Expanding %d short_urls' % len(short_urls)

    # spawn() (both gevent.spawn() and Pool.spawn()) returns a gevent.Greenlet object
    # NOT the value your function, get_head, will return
    threads = [p.spawn(get_head, short_url) for short_url in short_urls]
    p.join()

    # to access the returned value of your function, access the Greenlet.value property
    results = {short_url: thread.value.url for short_url, thread in zip(short_urls, threads) 

如果 thread.value 不是 None 并且 thread.value.status_code == 200} 返回结果