python 并发、并行处理、分布式处理_python分布式并发优化

learn from 《Python高性能（第2版）》

文章目录
1. 异步编程
阻塞、回调
future
事件循环
2. asyncio 框架
协程
yield 接收值
asyncio 定义协程
阻塞代码 -> 非阻塞 ThreadPoolExecutor
3. 响应式编程
被观察者
运算符

4. 并行编程
线程
进程
使用多个进程
接口 Executor ，ProcessPoolExecutor
5. 锁
6. 分布式处理
dask
pyspark
mpi4py 科学计算
7. 开发部署
travis-ci
docker
减少CPU指令：
加速python可以利用 CPython 获取 C 语言的性能
Numba 加速 Numpy
PyPy解释器

减少 IO 等待：
异步

1. 异步编程
阻塞、回调

import time

def wait_and_print(msg):
    time.sleep(1)  # 阻塞程序执行流
    print(msg)

import threading

def wait_and_print_async(msg):
    def callback():
        print(msg)

    timer = threading.Timer(1, callback)  # 不会阻塞程序执行流程，1秒以后执行 callback 函数
    timer.start() # 启动定时器， 实质：启动了新线程
if __name__ == '__main__':
    t0 = time.time()
    wait_and_print('第一次')
    wait_and_print('第二次')
    print(f'After call, takes: {time.time() - t0} seconds')

输出

第一次
第二次
After call, takes: 2.017909049987793 seconds

    t0 = time.time()
    wait_and_print_async('第一次')
    wait_and_print_async('第二次')
    print(f'After call, takes: {time.time() - t0} seconds')

输出

After call, takes: 0.0020036697387695312 seconds
第二次第一次
把返回结果当参数传递给回调函数

def network_request_async(num, on_done):
    def timer_done():
        on_done({'success': True, 'result': num**2})
    timer = threading.Timer(1, timer_done)
    timer.start()

def on_done(result):
    print(result)

network_request_async(2, on_done)

异步代码需要层层编写回调函数，很麻烦

future
future 更便利，可用来跟踪异步调用的结果

from concurrent.futures import Future
fut = Future()
print(fut)  # <Future at 0x19c799d6280 state=pending>

pending 表示还未确定

可以使用 fut.set_result() 使结果可用

fut.set_result("hello michael")
print(fut, fut.result())
# <Future at 0x2c87b645280 state=finished returned str> hello michael

还可以通过 add_done_callback 指定回调函数，当结果可用时，调用它（第一参数为 future obj）

fut1 = Future()
fut1.add_done_callback(lambda future_obj: print(future_obj.result(), flush=True))
fut1.set_result("hello michael")
#  hello michael

import threading
from concurrent.futures import Future
def network_request_async(number):
    future = Future()
    result = {
        'success': True,
        'result': number**2
    }
    timer = threading.Timer(1, lambda: future.set_result(result))
    timer.start()
    return future

if __name__ == '__main__':
    fut = network_request_async(2)
    print(fut)
    # <Future at 0x24169416cd0 state=pending> 

上面的函数什么也没有返回，还处于 pending

添加回调函数

def fetch_square(number):
    fut = network_request_async(number)
    def on_done_future(future):
        response = future.result()
        if response['success']:
            print(f'result is {response["result"]}')
    fut.add_done_callback(on_done_future)

事件循环
不断监视各种资源的状态，并在事件发生时执行相应的回调函数

事件循环：每个执行单元都不会与其他执行单元同时运行。（能规避同时写一个数据的风险？）

import time

class Timer:
    def __init__(self, timeout):
        self.timeout = timeout
        self.start_time = time.time()

    def done(self):
        return time.time() - self.start_time > self.timeout

if __name__ == '__main__':
    timer = Timer(3)
    while True:
        if timer.done():
            print('Timer finished')
            break
流程不会被阻塞，可以在 while 循环中执行其他操作，通过循环不断轮询等待事件发生称为 busy-waiting

import time

class Timer:
    def __init__(self, timeout):
        self.timeout = timeout
        self.start_time = time.time()

    def done(self):
        return time.time() - self.start_time > self.timeout

    def on_timer_done(self, callback):
        self.callback = callback

if __name__ == '__main__':
    timer = Timer(1)
    timer.on_timer_done(lambda: print('timer done from callback'))
    while True:
        if timer.done():
            timer.callback()
            break
扩展为多个定时器

if __name__ == '__main__':
    timer = Timer(1)
    timer.on_timer_done(lambda: print('timer done from callback'))
    timer1 = Timer(2)
    timer1.on_timer_done(lambda: print('timer1 done from callback'))
    timers = [timer, timer1]

    while True:
        for timer in timers:
            if timer.done():
                timer.callback()
                timers.remove(timer)
        if len(timers) == 0:
            break
2. asyncio 框架

import asyncio
loop = asyncio.get_event_loop() # 获取asyncio循环
def callback():
    print("hello michael")
    loop.stop()

loop.call_later(1, callback) # 1秒后调用回调函数
loop.run_forever() # 启动循环

协程
回调函数很繁琐，协程 像编写同步代码一样，来编写异步代码，更自然优雅（可将协程看做可停止和恢复执行的函数）

使用 yield 定义一个生成器

def range_gen(n):
    i = 0
    while i < n:
        print(f'generating value {i}')
        yield i
        i += 1

range_gen(5)

代码没有执行，只返回一个生成器对象
使用 next(gen) 取结果

gen = range_gen(5)
next(gen) # generating value 0

程序会停在 yield 处，并保持内部状态

yield 接收值

def parrot():
    while True:
        message = yield
        print(f'parrot says: {message}')

generator = parrot()
generator.send(None) # 必须写这句初始化， 否则 
# TypeError: can't send non-None value to a just-started generator
generator.send('hello')
generator.send({'hello': 'world'})
# parrot says: hello
# parrot says: {'hello': 'world'}

生成器可仅在相关资源就绪时才往前推进，不需要使用回调函数

asyncio 定义协程

async def hello():
    await asyncio.sleep(1)  # 等待1 s
    print("hello michael")

coro = hello()
print(coro)  # <coroutine object hello at 0x000001EAE90D08C0>

loop = asyncio.get_event_loop()
loop.run_until_complete(coro) # hello michael

await 给事件循环提供了一个断点，等待资源期间，事件循环可继续管理其他协程

async def network_request(number):
    await asyncio.sleep(1)
    return {'success': True, 'result': number**2}

async def fetch_square(number):
    response = await network_request(number)
    if response['success']:
        print(response['result'])

loop = asyncio.get_event_loop()
loop.run_until_complete(fetch_square(5))

asyncio.ensure_future() 调度协程和 future

# 以下函数并发执行
asyncio.ensure_future(fetch_square(2)) # 返回一个 Task 实例 （Future的子类），可以await
asyncio.ensure_future(fetch_square(3))
asyncio.ensure_future(fetch_square(4))
loop.run_forever()
阻塞代码 -> 非阻塞 ThreadPoolExecutor
将阻塞代码放在一个独立的线程（OS层级实现的，允许代码并行执行）中运行

import time
from concurrent.futures import ThreadPoolExecutor
executor = ThreadPoolExecutor(max_workers=3)

def wait_and_return(msg):
    time.sleep(1) # 阻塞代码
    return msg

print(executor.submit(wait_and_return, "i am parameters: msg"))
# executor.submit 调度函数，返回 future
# <Future at 0x15788570460 state=running>
或者

import asyncio
loop = asyncio.get_event_loop()
fut = loop.run_in_executor(executor, wait_and_return, "i am parameters: msg")
print(fut)
# <Future pending cb=[_chain_future.<locals>._call_check_cancel() at D:\ProgramData\Anaconda3\envs\cv\lib\asyncio\futures.py:360]>
例子，requests 请求库是 阻塞的

import requests

async def fetch_urls(urls):
    responses = []
    for url in urls:
        responses.append(await loop.run_in_executor(executor, requests.get, url))
    return responses

res = loop.run_until_complete(fetch_urls(["https://www.baidu.com",
                                          "https://www.csdn.net"]))
                                          # 不会并行获取 url
print(res)

def fetch_urls_1(urls):
    return asyncio.gather(*[loop.run_in_executor(executor, requests.get, url) for url in urls])
    # gather 一次性提交所有协程并收集结果

res = loop.run_until_complete(fetch_urls_1(["https://www.baidu.com",
                                          "https://www.csdn.net"]))
                                          # 会并行但受制于 executor worker 数量
print(res)

为避免 executor worker 数量限制，应当使用 非阻塞库 aiohttp

3. 响应式编程
旨在打造出色的并发系统

响应速度快
伸缩性高，处理各种负载
富有弹性，应对故障
消息驱动，不阻塞
ReactiveX 是一个项目，实现了用于众多语言的响应式编程工具，RxPy 是其中一个库

https://reactivex.io/languages.html

pip install reactivex  # 4.0.4 version
被观察者

import reactivex as rx

obs = rx.from_iterable(range(4))
# Converts an iterable to an observable sequence  （被观察者）
print(obs)
# <reactivex.observable.observable.Observable object at 0x00000216C8F56CD0>
obs.subscribe(print)  # 将数据源 emit 发射的每个值传入 print 函数
被观察者很像一个有序的迭代器

c = [1,2,3,4,5]
iterator = iter(c)
print(next(iterator))
print(next(iterator))
for i in iterator:
    print(i)

Observable.subscribe 注册回调函数

c = [1,2,3,0,4,5]
obs = rx.from_iterable(c)
obs.subscribe(on_next=lambda x: print(f'next elem 1/{x}: {1/x}'),
              on_error=lambda x: print(f'error: 1/{x} illegal'),
              on_completed=lambda: print(f'completed calculation'))
输出

next elem 1/1: 1.0
next elem 1/2: 0.5
next elem 1/3: 0.3333333333333333
error: 1/division by zero illegal

Process finished with exit code 0

c = [1,2,3,4,5]
obs = rx.from_iterable(c)
obs.subscribe(on_next=lambda x: print(f'next elem 1/{x}: {1/x}'),
              on_completed=lambda: print(f'completed calculation'))

输出

next elem 1/1: 1.0
next elem 1/2: 0.5
next elem 1/3: 0.3333333333333333
next elem 1/4: 0.25
next elem 1/5: 0.2
completed calculation

RxPy 提供了可用来创建、变换、过滤 被观察者，以及对其进行编组的运算符，这些操作返回 被观察者（可以继续串接、组合，威力所在）

obs = rx.from_iterable(range(5))
obs2 = obs[:3]
obs2.subscribe(print)  # 0 1 2
obs.subscribe(print)  # 0 1 2 3 4
运算符
map

from reactivex.operators import map as rx_map
op = rx_map(lambda x: x**2)
(rx.from_iterable(range(5))).pipe(op).subscribe(print)
# 0
# 1
# 4
# 9
# 16
group by

from reactivex.operators import group_by as rx_group_by
op = rx_group_by(lambda x: x%3)
obs = (rx.from_iterable(range(10))).pipe(op)
obs.subscribe(lambda x: print(f"group key: {x.key}"))
# group key: 0
# group key: 1
# group key: 2
每个组都是一个 被观察者

obs[0].subscribe(lambda x: x.subscribe(print))
print('-'*10)
obs[1].subscribe(lambda x: x.subscribe(print))
print('-'*10)
obs[2].subscribe(lambda x: x.subscribe(print))
print('-'*10)
0
3
6
9
----------
1
4
7
----------
2
5
8
----------
merge_all

from reactivex.operators import merge_all
obs.pipe(merge_all()).subscribe(print)

输出 0 - 9 ，合并了所有 group 且按原顺序输出

4. 并行编程
问题是独立的，或者高度独立的，可以使用多核进行计算

如果子问题之间需要共享数据，实现起来不那么容器，有进程间通信开销的问题

线程
以共享内存方式实现并行的一种常见方式是 线程

由于 python 的 全局解释器锁 GIL ，线程执行 python 语句时，获取一个锁，执行完毕后，释放锁
每次只有一个线程能够获得这个锁，其他线程就不能执行 python 语句了

虽然有 GIL 的问题，但是遇到耗时操作（I/O） 时，依然可以使用线程来实现并发

进程
通过使用 进程 可以完全避开 GIL，进程 不共享内存，彼此独立，每个进程都有自己的解释器
进程的缺点：

启动新进程比新线程慢
消耗更多内存
进程间通信速度慢
优点：分布在多台计算机中，可伸缩性更佳

使用多个进程
multiprocessing.Process 派生子类
实现 Process.run 编写子进程中要执行的代码，processor_obj.start() 调用

import multiprocessing
import time

class MyProcess(multiprocessing.Process):
    def __init__(self, id):
        super(MyProcess, self).__init__()
        self.id = id
    def run(self):
        time.sleep(1)
        print(f'i am a process with id {self.id}')

if __name__ == '__main__':
    p = MyProcess(1)
    p.start()  # 不能直接调用 run
    p.join() # Wait until child process terminates
    print('end') # 没有 join 的话，会先打印 end

    t0 = time.time()
    processes = [MyProcess(1.1) for _ in range(4)]
    [p.start() for p in processes]
    [p.join() for p in processes]
    print(f'time: {time.time() - t0: .2f} s')

创建4个进程，执行并不需要 4倍的时间

进程执行顺序是无法预测的，取决于操作系统

multiprocessing.Pool 类生成一组进程，可使用类方法 apply/apply_async map/map_async 提交任务

import multiprocessing

def square(x):
    return x * x

if __name__ == '__main__':
    pool = multiprocessing.Pool(processes=4)
    inputs = list(range(4))
    out = pool.map(square, inputs) # 对每个元素执行 square 函数
    print(out)
    print('end')
    # [0, 1, 4, 9]
    # end
调用 Pool.map 主程序将 停止执行，直到所有工作进程处理完毕
使用 map_async 立即返回一个 AsyncResult 对象，在后台进行计算，不阻塞主程序，AsyncResult.get() 获取结果
Pool.apply_async 将单个函数任务分配给一个进程，apply_async 使用 函数，函数的参数，作为参数，返回 AsyncResult 对象

import multiprocessing
import time

def square(x):
    time.sleep(5)
    return x * x

if __name__ == '__main__':
    t0 = time.time()
    pool = multiprocessing.Pool(processes=4)
    inputs = list(range(4))
    out = pool.map_async(square, inputs)
    print(out)
    print('end')
    print(f'{time.time() - t0} s')
    get_out = out.get()
    print(get_out)
    print(f'{time.time() - t0} s')
# <multiprocessing.pool.MapResult object at 0x000001F33DE86C70>
# end
# 0.07700085639953613 s
# [0, 1, 4, 9]
# 5.8083672523498535 s
    out = [pool.apply_async(square, (i,)) for i in range(4)] 
    # 传入 int 会报错，argument after * must be an iterable, not int
    # (i, ) 变成元组，可迭代
    get_out = [r.get() for r in out]
    print(get_out)
接口 Executor ，ProcessPoolExecutor

from concurrent.futures import ProcessPoolExecutor

def square(x):
    return x*x
if __name__ == '__main__':
    executor = ProcessPoolExecutor(max_workers=4)
    fut = executor.submit(square, 2)
    print(fut)  # <Future at 0x25ae0fffe50 state=running>
    print(fut.result()) # 4

    res = executor.map(square, range(4))  # 返回 迭代器
    print(list(res)) # [0, 1, 4, 9]

要从一个或多个 Future 中提取结果，可使用 concurrent.futures.wait concurrent.futures.as_completed

from concurrent.futures import wait, as_completed, ProcessPoolExecutor

def square(x):
    return x * x

if __name__ == '__main__':
    executor = ProcessPoolExecutor()
    fut1 = executor.submit(square, 2)
    fut2 = executor.submit(square, 3)
    wait([fut1, fut2])  # 阻塞程序执行，直到所有 future 执行完
    res = as_completed([fut1, fut2])
    print(res)
    print(list(res))
    out = [f.result() for f in [fut1, fut2]]
    print(out)

# <generator object as_completed at 0x000001B87B480970>
# [<Future at 0x1b87b48fdf0 state=finished returned int>, <Future at 0x1b87b564130 state=finished returned int>]
# [4, 9]
5. 锁
防止多个进程同时执行受保护的代码，例如同时写同一个文件

multiprocessing.Lock()

6. 分布式处理
dask
https://www.dask.org/

pyspark
用户提交任务，集群管理器自动将任务分派给空闲的执行器

mpi4py 科学计算
https://pypi.org/project/mpi4py/

7. 开发部署
travis-ci
https://www.travis-ci.org/

编写 yaml 配置文件，当有新代码push后，自动运行 配置文件中的 测试项

docker
提供隔离环境