使用协程与线程时的吞吐量差异

Question

几天前，我提出了一个关于如何帮助我设计构建多个HTTP请求的范例的问题

这是场景。我想拥有一个多生产者，多消费者系统。我的生产者抓取并抓取一些网站，并将它找到的链接添加到队列中。由于我将抓取多个网站，我希望有多个生产者/抓取工具。

消费者/工作者以此队列为食，向这些链接发出TCP / UDP请求并将结果保存到我的Django DB。我还希望有多个工作人员，因为每个队列项目完全相互独立。

人们建议使用协程库，即Gevent或Eventlet。从未使用过coroutines，我读到即使编程范例类似于线程范例，只有一个线程正在执行，但是当阻塞调用发生时 - 例如I / O调用 - 堆栈在内存中切换而另一个在绿色中切换线程接管，直到它遇到某种阻塞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，当发生sleep事件时，另一个绿色线程接管。这比顺序执行快得多。正如您所看到的，我的程序中没有任何代码可以故意将一个线程的执行转移到另一个线程。我没有看到这适合上面的场景，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，但是远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可以同时工作，而不需要像协同程序那样交换堆栈。

是否应该使用线程重新实现？我的设计错了吗？我没有看到使用协同程序的真正好处。

也许我的概念有点浑浊，但这就是我所认同的。对我的范例和概念的任何帮助或澄清都会很棒。

谢谢

Answer 1

正如您所看到的，我的程序中没有任何代码可以故意将一个线程的执行转移到另一个线程。我没有看到这适合上面的场景，因为我希望所有线程同时执行。

有一个OS线程但有几个greenlet。在你的情况下，gevent.sleep()允许工人同时执行。如果使用urllib2.urlopen(url).read()修补与urllib2一起使用（通过调用gevent），阻止诸如gevent.monkey.patch_*()之类的IO调用也会这样做。

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aproaches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

所有并发实现的其余部分都是相同的：

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,))

不要在模块级执行代码将它放在main()中：

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()

Answer 2

当你有很多（绿色）线程时，gevent很棒。我用数千个测试它，它工作得很好。您确保所有用于抓取和保存到数据库的库都变为绿色。 afaik如果他们使用python的套接字，gevent注入应该工作。用C语言编写的扩展（例如mysqldb）会阻塞，但你需要使用绿色等价物。

如果你使用gevent，你几乎可以取消队列，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。 gevent将在db或web块中的某个库时处理抢占。只要您的任务适合内存，它就会起作用。

Answer 3

在这种情况下，您的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）决定程序运行速度的瓶颈。

Gevent是确保这是瓶颈的一种好方法，而不是程序的架构。

这是你想要的那种过程：

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!

你不需要等待输入和工作队列完成，我刚刚在这里证明了这一点。