一、进程池线程池介绍
1.开线程和开进程都是要消耗资源的，只不过线程消耗的资源较少一点
2.概念：硬件有极限，为了减轻硬件压力，所以有了池的概念
3.什么是池？
在保证计算机硬件安全的情况下最大限度的利用计算机
池其实是降低了程序的运行效率，但是保证了计算机硬件的安全
（硬件的发展跟不上软件的速度）
4.操作步骤
（1）concurrent.futures模块导入
（2）线程池创建（线程数=cpu核数*5左右）
（3）submit提交任务（提交任务的两种方式）
（4）异步提交的submit返回值对象
（5）shutdown关闭池并等待所有任务运行结束
（6）对象获取任务返回值
（7）进程池的使用，验证进程池在创建的时候里面固定有指定的进程数
（8）异步提交回调函数的使用
5.pool = ThreadPoolExecutor(5) 括号内可以传参数指定线程池内的线程个数
也可以不传，默认为当前所在计算机的cpu个数乘5
pool = ProcessPoolExecutor() 默认是当前计算机cpu的个数
add_done_callback() 绑定一个回调函数
6.提交任务的方式：
同步：提交任务之后，原地等待任务的返回结果，期间不做任何事
异步：提交任务之后，不等待任务的返回结果，直接执行下一行代码
7.怎么拿异步的结果？
异步回调机制：当异步提交的任务有返回结果之后，会自动触发回调函数的执行
8.代码操作
from concurrent.futures import ThreadPoolExecutor,ProcessPoolExecutor
import time
import os
# pool = ThreadPoolExecutor(5) # 括号内可以传参数指定线程池内的线程个数
# # 也可以不传 不传默认是当前所在计算机的cpu个数乘5
pool = ProcessPoolExecutor() # 默认是当前计算机cpu的个数
"""
池子中创建的进程/线程创建一次就不会再创建了
至始至终用的都是最初的那几个
这样的话节省了反复开辟进程/线程的资源
"""
def task(n):
print(n,os.getpid()) # 查看当前进程号
time.sleep(2)
return n**2
def call_back(n):
print('拿到了异步提交任务的返回结果:',n.result())
"""
提交任务的方式
同步：提交任务之后 原地等待任务的返回结果 期间不做任何事
异步：提交任务之后 不等待任务的返回结果(异步的结果怎么拿？？？) 直接执行下一行代码
"""
# pool.submit(task,1) # 朝线程池中提交任务 异步提交
# print('主')
"""
异步回调机制:当异步提交的任务有返回结果之后，会自动触发回调函数的执行
"""
if __name__ == '__main__':
t_list = []
for i in range(20):
res = pool.submit(task,i).add_done_callback(call_back) # 提交任务的时候 绑定一个回调函数 一旦该任务有结果 立刻执行对于的回调函数
# print(res.result()) # 原地等待任务的返回结果
t_list.append(res)
# pool.shutdown() # 关闭池子 等待池子中所有的任务执行完毕之后 才会往下运行代码
# for p in t_list:
# print('>>>:',p.result())
二、协程
进程：资源单位
线程：执行单位
协程：单线程下实现并发（能够在多个任务之间切换和保存状态来节省IO），是程序员自己想出来的东西，对于操作系统来说根本不存在
并发的条件：
多道技术
空间上的复用
时间上的复用
切换+保存状态
程序员自己通过代码自己检测程序中的IO，一旦遇到IO自己通过代码切换，给操作系统的感觉是你这个线程没有任何的IO
ps：欺骗操作系统，让它误以为你这个程序一直没有IO，从而保证程序在运行态和就绪态来回切换，提升代码的运行效率
切换+保存状态就一定能够提升效率吗？
当你的任务是IO密集型的情况下，提升效率
如果你的任务是计算密集型的，降低效率
将单个线程的效率提升到最高，多进程下开多线程，多线程下用协程>>>实现高并发
三者都是实现并发的手段
yield能够实现保存上次运行状态，但是无法识别遇到IO才切换
串行执行
import time
def func1():
for i in range(10000000):
i+1
def func2():
for i in range(10000000):
i+1
start = time.time()
func1()
func2()
stop = time.time()
print(stop - start)
基于yield并发执行
import time
def func1():
while True:
10000000+1
yield
def func2():
g=func1()
for i in range(10000000):
# time.sleep(100) # 模拟IO，yield并不会捕捉到并自动切换
i+1
next(g)
start=time.time()
func2()
stop=time.time()
print(stop-start)
gevent模块
一个spawn就是一个帮你管理任务的对象
gevent模块不能识别它本身以外的所有的IO行为，但是它内部封装了一个模块，能够帮助我们识别所有的IO行为
from gevent import monkey;monkey.patch_all() # 检测所有的IO行为
from gevent import spawn,joinall # joinall列表里面放多个对象，实现join效果
import time
def play(name):
print('%s play 1' %name)
time.sleep(5)
print('%s play 2' %name)
def eat(name):
print('%s eat 1' %name)
time.sleep(3)
print('%s eat 2' %name)
start=time.time()
g1=spawn(play,'刘清正')
g2=spawn(eat,'刘清正')
# g1.join()
# g2.join()
joinall([g1,g2])
print('主',time.time()-start) # 单线程下实现并发，提升效率
协程实现服务端客户端通信
服务端
from gevent import monkey;monkey.patch_all()
from socket import *
from gevent import spawn
def communicate(conn):
while True:
try:
data = conn.recv(1024)
if len(data) == 0: break
conn.send(data.upper())
except ConnectionResetError:
break
conn.close()
def server(ip, port, backlog=5):
server = socket(AF_INET, SOCK_STREAM)
server.bind((ip, port))
server.listen(backlog)
while True: # 链接循环
conn, client_addr = server.accept()
print(client_addr)
# 通信
spawn(comunicate,conn)
if __name__ == '__main__':
g1=spawn(server,'127.0.0.1',8080)
g1.join()
客户端
from threading import Thread, current_thread
from socket import *
def client():
client = socket(AF_INET, SOCK_STREAM)
client.connect(('127.0.0.1', 8080))
n = 0
while True:
msg = '%s say hello %s' % (current_thread().name, n)
n += 1
client.send(msg.encode('utf-8'))
data = client.recv(1024)
print(data.decode('utf-8'))
if __name__ == '__main__':
for i in range(500):
t = Thread(target=client)
t.start()
# 原本服务端需要开启500个线程才能跟500个客户端通信，现在只需要一个线程就可以扛住500客户端
# 进程下面开多个线程，线程下面再开多个协程，最大化提升软件运行效率
三、IO模型
阻塞IO
非阻塞IO(服务端通信针对accept用s.setblocking(False)加异常捕获，cpu占用率过高)
在只检测一个套接字的情况下，他的效率连阻塞IO都比不上。因为select这个中间人增加了环节。
但是在检测多个套接字的情况下，就能省去wait for data过程
异步IO
