Tornado 高并发源码分析之六---异步编程的几种实现方式

Posted RobotZhu

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Tornado 高并发源码分析之六---异步编程的几种实现方式相关的知识,希望对你有一定的参考价值。

 

方式一:通过线程池或者进程池
导入库futures是python3自带的库,如果是python2,需要pip安装future这个库
备注:进程池和线程池写法相同
 1 from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor
 2 from tornado.concurrent import run_on_executor
 3 
 4 def doing(s):
 5     print(xiumian--{}.format(s))
 6     time.sleep(s)
 7     return s
 8 
 9 class MyMainHandler(RequestHandler):
10     executor = ProcessPoolExecutor(2)   #新建一个进程池,静态变量,属于类,所以全程只有这个几个进程,不需要关闭,如果放在__init__中,则属于对象,每次请求都会新建pool,当请求增多的时候,会导致今天变得非常多,这个方法不可取
11 
12     @gen.coroutine
13     def get(self, *args, **kwargs):
14         print(开始{}.format(self.pool_temp))
15         a = yield self.executor.submit(doing, 20)   
16         print(进程 %s  % self.executor._processes)
17         self.write(str(a))
18         print(执行完毕{}.format(a))
19 
20    @run_on_executor       #tornado 另外一种写法,需要在静态变量中有executor的进程池变量
21     def post(self, *args, **kwargs):
22 a = yield doing(20)

 

 

方式二:Tornado + Celery + RabbitMQ 实现
使用Celery任务队列,Celery 只是一个任务队列,需要一个broker媒介,将耗时的任务传递给Celery任务队列执行,执行完毕将结果通过broker媒介返回。官方推荐使用RabbitMQ作为消息传递,redis也可以
 
一、Celery 介绍:
1.1、注意:
1、当使用RabbitMQ时,需要按照pika第三方库,pika0.10.0存在bug,无法获得回调信息,需要按照0.9.14版本即可
2、tornado-celery 库比较旧,无法适应Celery的最新版,会导致报无法导入task Producter包错误,只需要将celery版本按照在3.0.25就可以了
 
1.2、关于配置:
单个参数配置:
 1 app.conf.CELERY_RESULT_BACKEND = redis://localhost:6379/0 
多个参数配置:
1 app.conf.update(
2     CELERY_BROKER_URL = amqp://[email protected]//,
3     CELERY_RESULT_BACKEND = redis://localhost:6379/0
4 )
从配置文件中获取:(将配置参数写在文件app.py中)
1 BROKER_URL=amqp://[email protected]//
2 CELERY_RESULT_BACKEND=redis://localhost:6379/0
3 app.config_from_object(celeryconfig)
 
 
二、案例
2.1、启动一个Celery 任务队列,也就是消费者:
1 from celery import Celery
2 celery = Celery(tasks, broker=amqp://guest:[email protected]:5672, backend=amqp)  使用RabbitMQ作为载体, 回调也是使用rabbit作为载体
3 
4 @celery.task(name=doing)   #异步任务,需要命一个独一无二的名字
5 def doing(s, b):
6     print(开始任务)
7     logging.warning(开始任务--{}.format(s))
8     time.sleep(s)
9     return s+b
命令行启动任务队列守护进程,当队列中有任务时,自动执行 (命令行可以放在supervisor中管理)
--loglevel=info --concurrency=5
记录等级,默认是concurrency:指定工作进程数量,默认是CPU核心数
 
2.2、启动任务生产者
 1 import tcelery
 2 tcelery.setup_nonblocking_producer()  #设置为非阻塞生产者,否则无法获取回调信息
 3 
 4 class MyMainHandler(RequestHandler):
 5 
 6     @web.asynchronous
 7     @gen.coroutine
 8     def get(self, *args, **kwargs):
 9         print(begin)
10         result = yield gen.Task(sleep.apply_async, args=[10])   #使用yield 获取异步返回值,会一直等待但是不阻塞其他请求
11         print(ok--{}.format(result.result))     #返回值结果
12        
13        # sleep.apply_async((10, ), callback=self.on_success)   
14        # print(‘ok -- {}‘.format(result.get(timeout=100)))#使用回调的方式获取返回值,发送任务之后,请求结束,所以不能放在处理tornado的请求任务当中,因为请求已经结束了,与客户端已经断开连接,无法再在获取返回值的回调中继续向客户端返回数据
15       
16         # result = sleep.delay(10)    #delay方法只是对apply_async方法的封装而已
17         # data = result.get(timeout=100)  #使用get方法获取返回值,会导致阻塞,相当于同步执行
18         
19 
20     def on_success(self, response):    #回调函数
21         print (Ok-- {}.format(response))

 

 
 
 
 
 
 
 
 

以上是关于Tornado 高并发源码分析之六---异步编程的几种实现方式的主要内容,如果未能解决你的问题,请参考以下文章

Tornado 高并发源码分析之一---启动一个web服务

Tornado 高并发源码分析之三--- Application 对象

Tornado 高并发源码分析之四--- HTTPServer 与 TCPServer 对象

Tornado从入门到进阶 打造支持高并发的技术论坛

tornado异步原理——高并发

「高并发」两种异步模型与深度解析Future接口-