tornado原理介绍及异步非阻塞实现方式

以下内容根据自己实操和理解进行的整理，欢迎交流~

在tornado的开发中，我们一般会见到以下四个组成部分。

ioloop：

同一个ioloop实例运行在一个单线程环境下。

tornado.ioloop.IOLoop.current().start()

可以有多个app，一般使用一个。会挂接一个或多个服务端套接字端口对外提供服务。

app = tornado.web.Application([

                                (r"/api/predict", PredictHandler),

                                (....)

                                ], debug=False

                                )

路由表

将服务url与handler对应起来，形成一个路由映射表。当请求到来时，根据请求的访问url查询路由映射表来找到相应的业务handler。

[

    (r"/api/predict", PredictHandler),

    (....)

]

handler

开发时编写的业务逻辑。可以有多个handler，为了可以通过不同的url访问handler，增加一个handler就需要增加一个路由寻址。

class Handler_1(RequestHandler):

    def get(self, *args, **kwargs):

                time.sleep(5)

                self.write("done")

class Handler_2(RequestHandler):

    def get(self, *args, **kwargs):

                time.sleep(5)

                self.write("done")

app = tornado.web.Application([

                            (r"/api/predict_1", Handler_1),

                            (r"/api/predict_2", Handler_2)

                            ], debug=False)

tornado的请求处理流程

当一个请求到来时，ioloop读取这个请求，解包成一个http请求对象；
tornado找到该请求对象中对应app的路由表，通过路由表查询挂接的handler；
执行handler。handler方法执行后一般会返回一个对象；
ioloop负责将对象包装成http响应对象序列化发送给客户端；

异步

什么是异步

tornado的异步非阻塞是针对另一请求来说的，本次的请求如果没有执行完，那依然需要继续执行。

python代码的异步和tornado的异步差异？

Python里面的异步是针对代码段来讲，异步的代码段相当于放进后台执行，CPU接着执行异步代码段下一行的代码，这样可以充分利用CPU，毕竟IO的速度可比不上CPU的运行速度，一直等着IO结束多浪费时间。
为什么需要异步？

提高CPU利用和服务并发

在传统的同步web服务器中，网络为了实现多并发的功能，就需要和每一个用户保持长连接，这就需要向每一个用户分配一个线程，这是非常昂贵的资源支出。而在进行IO操作时，CPU是处于闲置的状态。

为了解决上述问题，tornado采用了单线程事件循环，减少并发连接的成本。一次只有一个线程在工作。要想用单线程实现并发，这就要求应用程序是异步非阻塞的。

需要注意的是tornado的高性能源于Tornado基于Epoll的异步网络IO。但是因为tornado的单线程机制，很容易写出阻塞服务（block）的代码。不但没有性能提高，反而会让性能急剧下降。
tornado实现异步的方式

在一个tornado请求之内，需要做一个I/O耗时的任务。直接写在业务逻辑里可能会block整个服务（也就是其他请求无法访问此服务）。因此可以把这个任务放到异步处理，实现异步的方式就有两种，一种是yield挂起函数，另外一种就是使用类线程池的方式。

一般网上都会说‘yield生成器方式’，‘使用协程方法的异步非阻塞’，但是都没有提及到特别重要的一点，那就是yield挂起的函数必须是非阻塞函数。如果写了使用了异步方法，但是写了阻塞函数，那么处理请求的方式仍然是同步阻塞的。

同步阻塞：

并发请求多路由地址：

若handler里面没有耗时IO操作，则会立马返回，多个并行访问感觉上是并行的，实际上由于tornado单线程事件循环机制，实际上是串行处理请求。
若handler里面有耗时IO操作，不会立马返回，会阻塞在耗时IO操作里面；这时并发请求会阻塞住（因为在排队），迟迟返不回结果。

产生上述的原因是由于taonado的单线程事件循环，每次只有一个线程执行操作。如果线程正在处理阻塞函数，就不能重新获得一个连接，处理并发的请求。

所以tornado要求里面的业务逻辑是异步非阻塞。

异步非阻塞——协程

协程/生成器

tornado推荐使用协程实现异步的方法。python 关键字 yield来实现异步。

Tornado的异步条件：要使用到异步，就必须把IO操作变成非阻塞的IO。这一点非常重要，否则就达不到异步的效果。通过异步，可以释放线程，线程从连接队列获取一个新的连接请求，从而可以处理其他请求。

当采用协程+非阻塞函数进行异步处理时，不管这个IO操作是否有返回结果，当前路由不会跳过耗时函数执行下一行代码。前面说过了，tornado的异步与python的异步不是一回事，或者说针对的对象不一样。但是线程不会一直干等着，在等待的时候可以干别的事情，于是就去重新连接了一个请求，与新的请求打的火热。原来的IO操作执行完毕了，会通知线程返回继续执行下一行代码，

此种方式的严重缺点：

使用 coroutine 方式严重依赖第三方库(需要支持异步)的实现，如果库本身不支持 Tornado 的异步操作，再怎么使用协程也依然会是阻塞的；或者可以参考内置异步客户端，借助tornado.ioloop.IOLoop封装一个自己的异步客户端，但开发成本太高。

基于协程的编程

class SleepHandler(BaseHandler):

    """

    异步的延时10秒

    """

    @gen.coroutine

    def get(self):

        yield gen.sleep(10) # 这里必须是异步函数，I/O操作，否则仍然会阻塞

        self.write("when i sleep 5s")

对于不支持异步的耗时操作，如何使服务不阻塞，可以继续处理其他请求呢？

那就是：基于线程的异步编程

异步非阻塞——线程池异步

由于python解释器使用GIL，多线程只能提高IO的并发能力，不能提高计算的并发能力。因此可以考虑通过子进程的方式，适当增加提供服务的进程数，提高整个系统服务能力的上限

基于线程池的方式，能让tornado的阻塞过程变成非阻塞，其原理是在tornado本身这个线程之外启动一个线程执行阻塞程序，从而变成非阻塞。

线程池为RequestHandler持有，请求处理逻辑中的耗时/阻塞任务可以提交给线程池处理，主循环逻辑可以继续处理其他请求，线程池内的任务处理完毕后，会通过回调注册callback到ioloop，ioloop可以通过执行callback恢复挂起的请求处理逻辑。

需要添加的代码：

创建线程池：executor = ThreadPoolExecutor(10)
@tornado.gen.coroutine # 使用协程调度 + yield
@tornado.concurrent.run_on_executor

优点：

异步非阻塞服务

小负载的工作，可以起到很好的效果

缺点：

如果大量使用线程化的异步函数做一些高负载的活动，会导致Tornado进程性能低下响应缓慢；

from concurrent.futures import ThreadPoolExecutor

class Executor(ThreadPoolExecutor):

    """ 单例模式

    """

    _instance = None

    def __new__(cls, *args, **kwargs):

        if not getattr(cls, '_instance', None):

            thred_num = 10 # 线程池数量

            cls._instance = ThreadPoolExecutor(max_workers=thred_num)

        return cls._instance

class PredictHandler(RequestHandler):

        # 1.使用单例模式

    executor = Executor()

        # 2.直接创建

        # executor = ThreadPoolExecutor(10)

        @tornado.gen.coroutine  # 使用协程调度

    def get(self, *args, **kwargs):

            result = yield self.main_process(url)

                self.write(....)

        @tornado.concurrent.run_on_executor

    def main_process(self,url):

                #  do something

                # 会让tornado阻塞的行为

        return sa_result

def create_app():

    return tornado.web.Application([

        (r"/api/predict", PredictHandler),

    ], debug=False) # 开启多进程后，一定要将 debug 设置为 False

app = create_app()

app.listen(8501)

tornado.ioloop.IOLoop.current().start()

如果函数做的是高负载该怎么办？

使用：Tornado 结合 Celery

Tornado 结合 Celery tornado-celery

Celery 是一个简单、灵活且可靠的，处理大量消息的分布式系统，它是一个专注于实时处理的任务队列，同时也支持任务调度。

它是一个分布式的实时处理消息队列调度系统，tornado接到请求后，可以把所有的复杂业务逻辑处理、数据库操作以及IO等各种耗时的同步任务交给celery，由这个任务队列异步处理完后，再返回给tornado。这样只要保证tornado和celery的交互是异步的，那么整个服务是完全异步的。

参考：

https://segmentfault.com/a/1190000015619549

https://www.jianshu.com/p/de7f04e65618

https://juejin.cn/post/6844904179564183565

https://blog.csdn.net/permike/article/details/51783528

https://blog.csdn.net/qq_16912257/article/details/78705587

https://segmentfault.com/a/1190000016610210

https://blog.csdn.net/iin729/article/details/109908963