小白对异步IO的理解

前言

看到越来越多的大佬都在使用python的异步IO，协程等概念来实现高效的IO处理过程，可是我对这些概念还不太懂，就学习了一下。 因为是初学者，在理解上有很多不到位的地方，如果有错误，还希望能够有人积极帮我指出。

下面就使用一个简单的爬虫的例子，通过一步一步的改进，最后来用异步IO的方式实现。

1. 阻塞的IO

我们要实现一个爬虫，去爬百度首页n次，最简单的想法就是依次下载，从建立socket连接到发送网络请求再到读取响应数据，顺序进行。

代码如下：

 import time
 import socket
 import sys

 def doRequest():
     sock = socket.socket()
     sock.connect(('www.baidu.com',80))
     sock.send("GET / HTTP/1.1\r\nHost: www.baidu.com\r\nConnection: Close\r\n\r\n".encode("utf-8"))
     response = sock.recv(1024)
     return response

 def main():
     start = time.time()
     for i in range(int(sys.argv[1])):
         doRequest()
     print("spend time : %s" %(time.time()-start))

 main()

因为socket是阻塞方式调用的，所以cpu执行到sock.connect(),sock.recv(),就会一直卡在那里直到socket的状态就绪，所以浪费了很多的CPU时间。

请求10次和20次的时间分别如下所示：

 ➜ python3 1.py  10
 spend time : 0.9282660484313965
 ➜ python3 1.py  20
 spend time : 1.732438087463379

可以看到，速度慢的跟蜗牛一样。

2. 改进1-并发

为了加快请求的速度，很容易想到我们可以使用并发的方式进行，那么最好的方式就是使用多线程了。修改后的代码如下：

 # 多线程

 import time
 import socket
 import sys
 import threading 

 def doRequest():
     sock = socket.socket()
     sock.connect(('www.baidu.com',80))
     sock.send("GET / HTTP/1.1\r\nHost: www.baidu.com\r\nConnection: Close\r\n\r\n".encode("utf-8"))
     response = sock.recv(1024)
     return response

 def main():
     start = time.time()
     threads = []
     for i in range(int(sys.argv[1])):
         # doRequest()
         threads.append(threading.Thread(target=doRequest,args=()))
     for i in threads:
         i.start()
     for i in threads:
         i.join()
     print("spend time : %s" %(time.time()-start))

使用线程之后，看一下请求10次和20次的时间：

 ➜  python3 2.py  10
 spend time : 0.1124269962310791
 ➜ python3 2.py  20
 spend time : 0.15438294410705566

速度明显快了很多，几乎是刚才的10倍了。

但是python的线程是有问题的，因为一个python进程中，同一时刻只允许一个线程运行，正在执行的线程会获取到GPL。做阻塞的系统调用时，例如sock.connect(),sock.recv()时，当前线程会释放GIL，让别的线程有机会获取GPL，然后执行。但是这种获取GPL的调度策略是抢占式的，以保证同等优先级的线程都有均等的执行机会，那带来的问题是：并不知道下一时刻是哪个线程被运行，也不知道它正要执行的代码是什么。所以就可能存在竞态条件。这种竞争有可能使某些线程处于劣势，导致一直获取不到GPL

比如如下的情况，线程1执行的代码如下：

 flag = True
 while flag:
     .....  # 这里省略一些复杂的操作,会调用多次IO操作
     time.sleep(1)

可以看到，线程1的任务非常简单，而线程2的任务非常复杂，这就会导致CPU不停地去执行线程1，而真正做实际工作的线程2却很少被调度到，导致了浪费了大量的CPU资源。

3. 改进2-非阻塞方式

在第一个例子中，我们意识到浪费了大量的时间，是因为我们用了阻塞的IO，导致CPU在卡在那里等待IO的就绪，那使用非阻塞的IO，是不是就可以解决这个问题了。

代码如下：

 import time
 import socket
 import sys

 def doRequest():
     sock = socket.socket()
     sock.setblocking(False)
     try:
         sock.connect(('www.baidu.com',80))
     except BlockingIOError:
         pass   

     # 因为设置为非阻塞模式了，不知道何时socket就绪，需要不停的监控socket的状态
     while True:
         try:
             sock.send("GET / HTTP/1.1\r\nHost: www.baidu.com\r\nConnection: Close\r\n\r\n".encode("utf-8"))
             # 直到send 不抛出异常，就发送成功了
             break
         except OSError:
             pass
     while True:
         try:
             response = sock.recv(1024)
             break
         except OSError:
             pass
     return response
 def main():
     start = time.time()
     for i in range(int(sys.argv[1])):
         doRequest()
     print("spend time : %s" %(time.time()-start))

 main()

sock.setblocking(False)把socket设置为非阻塞式的，也就是说执行完sock.connect()和sock.recv()之后，CPU不再等待IO了，会继续往下执行，来看一下执行时间：

 ➜  python3 3.py  10
 spend time : 1.0597507953643799
 ➜  python3 3.py  20
 spend time : 2.0327329635620117

感觉被骗了，速度还是跟第一个一样啊，看来非阻塞IO并没有什么速度上的提升啊，问题出在哪里呢？看代码发现多了两个while循环：

 while True:
     try:
         sock.send("GET / HTTP/1.1\r\nHost: www.baidu.com\r\nConnection: Close\r\n\r\n".encode("utf-8"))
         # 直到send 不抛出异常，就发送成功了
         break
     except OSError:
         pass
 while True:
     try:
         response = sock.recv(1024)
         break
     except OSError:
         pass

因为把socket设置为非阻塞模式了，所以CPU并不知道IO什么时候就绪，所以必须在这里不停的尝试，直到IO可以使用了为止。

虽然 connect() 和 recv() 不再阻塞主程序，空出来的时间段CPU没有空闲着，但并没有利用好这空闲去做其他有意义的事情，而是在循环尝试读写 socket （不停判断非阻塞调用的状态是否就绪）。

有没有办法让CPU空闲出来的时间，不用来不停的询问IO，而是干别的更有意义的事情呢，等IO就绪后再通知CPU回来处理呢？当然有了，那就是回调。

4. 改进3-回调

操作系统已经把IO状态的改变封装成了事件，如可读事件、可写事件。并且可以为这些事件绑定处理函数。所以我们可以使用这种方式，为socket的IO状态的变化绑定处理函数，交给系统进行调动，这样就是回调方式。python的select模块支持这样的操作。

代码如下：

 import socket
 from selectors import DefaultSelector, EVENT_WRITE, EVENT_READ
 import sys
 selector = DefaultSelector()
 stopped = False
 urls_todo = []

 class Crawler:
     def __init__(self, url):
         self.url = url
         self.sock = None
         self.response = b''

     def fetch(self):
         self.sock = socket.socket()
         self.sock.setblocking(False)
         try:
             self.sock.connect(('www.baidu.com', 80))
         except BlockingIOError:
             pass
         selector.register(self.sock.fileno(), EVENT_WRITE, self.connected)

     def connected(self, key, mask):
         selector.unregister(key.fd)
         get = 'GET {0} HTTP/1.0\r\nHost: www.baidu.com\r\n\r\n'.format(self.url)
         self.sock.send(get.encode('ascii'))
         selector.register(key.fd, EVENT_READ, self.read_response)

     def read_response(self, key, mask):
         global stopped
         # 如果响应大于4KB，下一次循环会继续读
         chunk = self.sock.recv(4096)
         if chunk:
             self.response += chunk
         else:
             selector.unregister(key.fd)
             urls_todo.remove(self.url)
             if not urls_todo:
                 stopped = True

 def loop():
     while not stopped:
         # 阻塞, 直到一个事件发生
         events = selector.select()
         for event_key, event_mask in events:
             callback = event_key.data
             callback(event_key, event_mask)

 if __name__ == '__main__':
     import time
     start = time.time()
     for i in range(int(sys.argv[1])):
         urls_todo.append("/"+str(i))
         crawler = Crawler("/"+str(i))
         crawler.fetch()
     loop()
     print("spend time : %s" %(time.time()-start))  

监控socket的状态，如果变为可写的，就往里面写数据

selector.register(self.sock.fileno(), EVENT_WRITE, self.connected)

监控socket的状态，如果变为可读的，就外读数据

selector.register(key.fd, EVENT_READ, self.read_response)

测试一下速度：

 ➜  python3 4.py 10
 spend time : 0.03910994529724121
 ➜  python3 4.py 20
 spend time : 0.04195284843444824

我们看到速度已经有个一个质的飞跃了，但是回调用一些严重的问题，会破坏代码的本来的逻辑结构，造成代码可读性很差。

比如我们有函数 funcA,funcB,funcC三个函数，如果funcC处理的结果依赖于funcB的处理结果，funcB的处理结果依赖于funcA的处理结果，而funcA又是回调的方式调用的，所以就不知道funcA什么时候返回，所以只能将后续的处理都作为callback的方式传入funcA中，让funcA执行完了可以执行funcB，funcB执行完了可以执行funcC，看起来像下面这样：

funcA(funcB(funcC()))

这就形成了一个链式的回调，跟最初的代码逻辑完全相反，本来的逻辑应该是这样的。

funcC(funcB(funcA()))

因为这样的链式回调的出现，导致了理解代码逻辑困难，并且错误处理困难。

有没有方法避免这种地狱式的链式回调的呢？

5 .改进4-利用生成器

可以利用python的生成器，把发请求的函数写成一个生成器，然后只监控IO的状态，当IO状态发生改变之后，就给生成器传送值，驱动生成器进行下一步操作，这样就可以避免回调了，具体实现如下：

 import select
 import socket
 import time
 import sys

 num = int(sys.argv[1])

 def coroutine():
     sock = socket.socket()
     sock.setblocking(0)
     address = yield sock
     try:
         sock.connect(address)
     except BlockingIOError:
         pass
     data = yield
     size = yield sock.send(data)
     yield sock.recv(size)

 def main():
     inputs = []
     outputs = []
     coros = []
     coro_dict = dict()
     for i in range(num):
         coros.append(coroutine())
         sock = coros[-1].send(None)   # 发送一个None值来启动生成器
         outputs.append(sock.fileno()) #
         # print(outputs)
         coro_dict[sock.fileno()] = coros[-1]
         coros[-1].send(('www.baidu.com', 80))
     while True:
         r_list,w_list,e_list = select.select(inputs,outputs, ())
         for i in w_list:
             # print(type(i))
             coro_dict[i].send(b'GET / HTTP/1.1\r\nHost: www.baidu.com\r\nConnection: Close\r\n\r\n')
             outputs.remove(i)
             inputs.append(i)
         for i in r_list:
             coro_dict[i].send(1024)
             inputs.remove(i)
         if len(inputs) == len(outputs) == 0:
             break
     # time.sleep(2)
     # coro.send(b'GET / HTTP/1.1\r\nHost: www.baidu.com\r\nConnection: Close\r\n\r\n')
     # select.select(wait_list, (), ())
     # print(coro.send(1024))

 start  = time.time()
 main()
 print("spend time : %s" %(time.time()-start))

可以看到把发起请求的函数写成了一个生成器：

 def coroutine():
     sock = socket.socket()
     sock.setblocking(0)
     address = yield sock
     try:
         sock.connect(address)
     except BlockingIOError:
         pass
     data = yield
     size = yield sock.send(data)
     yield sock.recv(size)

然后监控IO状态，当IO状态发生改变之后，驱动生成器继续运行。

 while True:
         r_list,w_list,e_list = select.select(inputs,outputs, ())
         for i in w_list:
             # print(type(i))
             coro_dict[i].send(b'GET / HTTP/1.1\r\nHost: www.baidu.com\r\nConnection: Close\r\n\r\n')
             outputs.remove(i)
             inputs.append(i)
         for i in r_list:
             coro_dict[i].send(1024)
             inputs.remove(i)

看一下程序执行时间：

 ➜  python3 5.py 10
 spend time : 0.058114051818847656
 ➜  python3 5.py 20
 spend time : 0.0949699878692627

效果貌似非常的棒啊，执行的太快了，但是当我执行300次请求的时候，我就发现问题了，返回的非常慢，。估计原因可能是select是顺序遍历每一个IO描述符的去做状态检查，当IO描述符过多的时候，会导致遍历的速度比较慢，所以造成时间花费很大。