python异步_Python中的异步编程

Python部落(python.freelycode.com)组织翻译，禁止转载，欢迎转发。

Quora的使命就是分享和增加全世界的知识，并且为了达到这个使命，我们不断地推出改进来让Quora对于我们的读者和作者来说更快。在上一篇，缩短绘制时间，我们讨论了对于客户端性能的最新优化，本文，我们将通过异步编程框架来讨论服务器端性能的新发展。

为了同时优化页面加载和用户操作的性能，我们积极使用缓存，以确保持续快速访问常用数据。在Quora中，对于存储在较慢的存储系统如MySQL中的数据，我们使用memcached作为主缓存层。例如，当我们呈现那些给答案投票者的名单时，需要从存储层取回用户ID到用户名称的映射。每个请求直接访问MySQL的话，数据库将很快超载，所以使用memcached存储这个映射来替代。尽管为每一个用户ID分配一个单独的memcached请求会比查询MySQL更快，但是通过一个单一的批量的多请求取回所有数据会更快。

因为网络通常是memcached请求最昂贵的部分（在我们的环境中占总时间的80%以上），适当的批量缓存请求对于保持Quora快速是很重要的。然而，如果开发者必须手动指定所有数据如何从memcached批量检索，它将是单调易错的。因此，我们已经开发了一个抽象概念叫Asynq，它使开发者很容易编写批量的缓存请求，如今它已经开源。

Priming

在我们开发Asynq之前，使用一个叫做priming的方法来给memcached发送批量请求。每次开发者编写访问数据的函数时，也要编写一个单独的priming函数来指定该函数可以访问的所有数据。例如，假设有一个检索给定用户ID列表并返回用户标识列表的函数，如下：

相应的priming函数会看起来如下：

调用get_names的代码将负责先调用prime_get_names，它将使用多请求从memecached获取所有必要的数据。然后，该数据将被存储在服务器的本地缓存中，所以当真正的函数（本例是get_names）运行时，它不会调用任何网络请求！本质上，每个prime函数表示的都是一个函数的依赖项，或者说它依赖的memecached键。

当我们需要调用一个缓存函数来决定从memcached中获得什么额外数据时，priming会变得更复杂。考虑如下模板函数：

在本例中，prime_get_upvoter_names 需要知道upvoter_uids，为了那些uids调用prime_name_of_user ，但由于upvoters_of_answer 被存储了，它也必须被启动。因此，相应的prime函数将明显更加复杂：

通过恰当地启用我们所有的模型调用，我们看到惊人的速度改进，因此，我们使用静态分析工具来实施规则，即Quora上所有需要呈现的数据首先要被primed。然而，这些高速增长带来了明显的开发费用，因为实质上开发者需要编写（并调用）所有的模版函数两次。随着我们代码库的增长，priming变得冗余、难理解且易出错。

Asynq

为了解决priming带来的复杂性，我们创建一个叫做Asynq的框架，它在底层采用类似的方法，但是改进了API，把缓存请求集成到模板代码本身。Asynq中，所有需要数据访问的函数通过调度程序运行，调度程序记录跟踪它们的依赖项。当一个函数需要通过调用其它函数来获取数据时，它不再控制调度程序，而是指示需要取回的数据。然后调度程序停止执行该函数直到它解决了这个函数所有的依赖项。

Asynq中，get_names 函数早期看起来如下：

不需要额外的priming 函数——所有代码都包含在模版函数本身。因此，开发者不仅不再需要编写一个完全独立的priming函数，他们也不需要记忆每次模版函数被调用时调用priming函数。之前更复杂的get_upvoter_names在Asynq中也更简单了：

可以把Async 函数理解成创建一个依赖关系图：在它的第一个yield中，get_upvoter_names依赖于upvoters_of_answer的完成。类似地，upvoters_of_answer可能有它自己的依赖项。Asynq调度程序分解该依赖关系图执行async函数，直到所有目前执行的函数从memcached中获取数据时阻塞。然后调度程序使用一个单独的多请求从memcached取回数据，并继续执行直到async函数完成。

假定我们有一个异步函数称为model_call()，它有三个依赖项，每个依赖项都会读取多个memcached键值。直接实现将会使用3个多请求（或者6个单一获取），每个依赖项函数一个，而异步调度程序分解的依赖图看起来如下所示：

我们异步编程的方法不同于Python中其它的异步库如asyncio、Twisted、gevent和Tornado。这些库侧重于异步I/O，而Asynq却侧重于高效的批处理。例如，一个典型缓存使用memcached和asyncio的实现将分别解决缓存依赖项，因此每个memcached请求都会对memcached产生一个单独的请求。在Asynq中，依赖项将会成批进入一个单独的memcached多请求，这可以减少I/O阻塞的总时间。另外，Asynq允许函数被同步或异步调用（通过增加的.async属性），而asyncio需要所有的async def函数被asyncio.get_event_loop()显式调度。使用Asynq的批处理，我们花费很少时间阻塞在I/O,因此采用其它异步I/O库对于我们来说不是优先选择。

与priming相比，Asynq提供一个更通用的、简明的、有原则的方式来支持批处理。因为逻辑仅需要被实现一次，Asynq明显比priming花费更少的开发费用。减少priming的重复逻辑也提升了性能，正如我们所见，服务器端的速度取胜，由于我们迁移更多代码库从priming到Asynq。

迁移和学习

开发出第一个版本Asynq后，通过迁移代码库的几个小部分从priming到Asynq，我们着手验证我们的设计和实现。在这样做的过程中，我们发现并修复了各种问题：Python2.7中，生成器不能返回值，所以以上代码片段实际上在Python2.7中是无效的。在Asynq的第一个版本中，异步函数产生的最后一个值将会被解析为函数的返回值。然而，这意味着yield关键字意义的超载，这使得代码很难阅读。作为一个替代解决方案，我们从生成器中返回值——PEP 380中有介绍——从Python 3到Python 2.7，并且在代码库中必要的地方，我们目前正在使用Python 2.7的一个补丁版本。（Asynq也支持Python 2.7的未打补丁版本，通过使用一个result函数，该函数抛出一个异常，该异常被解析为返回值。）

最初，使用@async()装饰器使一个函数变为异步函数完全改变了它的接口——所有的调用者不得不使用一个特殊语法来调用异步函数。这个决策使得priming和Asynq在我们的代码库中更难共存，由于所有的开发者需要意识到这种差异。为了修复这个问题，我们更新@async()装饰器，给所有的异步函数增加了一个新的.async属性，这样直接调用一个装饰器函数将仍旧返回结果。

起初测试异步函数具有挑战性。在单元测试中，我们广泛使用Python的mock模块，但是很难模拟异步函数，因为这样做需要特殊处理.async的属性并返回值。作为这个问题的解决方案，我们创建一个专用的模拟函数，asynq.mock.patch，它自动负责模拟，这使得模拟异步函数更轻松。

实现上述改进后（和其它很多改进），我们决定将我们的代码库完全从priming迁移到Asynq。让这两种抽象概念同时存在于我们的代码库中不利于开发速度，因为工程师需要在两种API中根据他们正在编辑哪种模型进行上下文切换。我们利用现有的静态分析工具自动进行迁移，因此工程师只需要去核实脚本的输出并做一点细小的改变，而不是手动迁移代码。

在开始大规模迁移整个代码库之前，不同团队的工程师完成一些较小的“演习”，作为细化我们自动迁移工具的手段，并建立精确的范围估计。完成几个演练后，我们由大约30个工程师（即我们工程师团队的50%）进行了一次有协调性的迁移，在此期间仅用了4天时间，我们迁移了Quora代码库的15，000多行priming代码。

如今，我们的整个代码库仅使用Asynq，并且服务器端开发速度更快且更不易出错。

开源Asynq(和朋友们)

现在可以在GitHub和PyPI上获得Asynq。你可以阅读源码或者通过pip install asynq安装Asynq。和Asynq一起，我们也将QCore（Asynq的唯一依赖项）开源，它是一个助手集，用于整个Quora代码库，包括一个装饰器框架，一个枚举实现，测试助手，和一个事件实现。Asynq和QCore同时兼容Python2.7和Python3，关于Asynq的更详细文档可以在GitHub仓库查看。

未来，我们将继续致力于使Quora对我们的用户来说更快，使新特性对于我们的工程师来说更容易进行开发。我们目前正在招聘Platform工程师来开发像Asynq的核心框架和抽象概念，所以看看我们的职业页面，如果你想和我们一起分享和增加全世界的知识！英文原文：https://engineering.quora.com/Asynchronous-Programming-in-Python?srid=hST?utm_source=mybridge&utm_medium=email&utm_campaign=read_more

译者：蒲公英

python异步_Python中的异步编程相关推荐

python 异步io_Python中的异步IO：完整的演练
python 异步io Async IO is a concurrent programming design that has received dedicated support in Pytho ...
python元编程运用_Python 中的元编程
就像元数据是有关数据的数据一样,元编程就是编写用于操纵程序的某些程序.人们普遍认为,元程序就是生成其他程序的某些程序,但范式更加广泛.所有旨在自我读取.分析.转换或修改的程序都是元编程的范例.例如: ...
less 函数_Python中的函数式编程教程，学会用一行代码搞定所有内容
前言在本文中,您将了解什么是函数范型,以及如何在Python中使用函数式编程.在Python中,函数式编程中的map和filter可以做与列表相同的事情.这打破了Python的禅宗规则之一,因此函数 ...
python标准化_python中标准化
广告关闭腾讯云11.11云上盛惠 ,精选热门产品助力上云,云服务器首年88元起,买的越多返的越多,最高返5000元! sdk 3.0 实现了统一化,各个语言版本的 sdk具备使用方法相同.接口调用方 ...
python字符集_PYTHON 中的字符集
Python中的字符编码是个老生常谈的话题,今天来梳理一下相关知识,希望给其他人些许帮助. Python2的默认编码是ASCII,不能识别中文字符,需要显式指定字符编码:Python3的默认编码 ...
python参数化_Python 中如何实现参数化测试的方法示例
之前,我曾转过一个单元测试框架系列的文章,里面介绍了 unittest.nose/nose2 与 pytest 这三个最受人欢迎的 Python 测试框架. 本文想针对测试中一种很常见的测试场景,即参 ...
kafka python框架_Python中如何使用Apache Avro——Apache的数据序列化系统
了解如何创建和使用基于Apache Avro的数据,以实现更好,更有效的传输. 在这篇文章中,我将讨论Apache Avro,这是一种开源数据序列化系统,Spark,Kafka等工具正在使用该工具进行 ...
python同步异步_python中Tornado的同步与异步I/O的介绍（附示例）
本篇文章给大家带来的内容是关于python中Tornado的同步与异步I/O的介绍(附示例),有一定的参考价值,有需要的朋友可以参考一下,希望对你有所帮助. 协程是Tornado种推荐的编程方式,使用 ...
cmd中的进度如何捕捉到输出内容_python 中日志异步发送到远程服务器
在python中使用日志最常用的方式就是在控制台和文件中输出日志了,logging模块也很好的提供的相应的类,使用起来也非常方便,但是有时我们可能会有一些需求,如还需要将日志发送到远端,或者直接写入数 ...

python异步_Python中的异步编程

python异步_Python中的异步编程相关推荐

最新文章

热门文章