Greenlet Vs. Threads

Biorąc pod uwagę odpowiedź @Max i dodając do niej pewne znaczenie dla skalowania, widać różnicę. Osiągnąłem to, zmieniając adresy URL, które mają być wypełnione w następujący sposób:

URLS_base = ['www.google.com', 'www.example.com', 'www.python.org', 'www.yahoo.com', 'www.ubc.ca', 'www.wikipedia.org']
URLS = []
for _ in range(10000):
    for url in URLS_base:
        URLS.append(url)

Musiałem zrezygnować z wersji wieloprocesowej, ponieważ spadła zanim miałem 500; ale na 10000 iteracji:

Using gevent it took: 3.756914
-----------
Using multi-threading it took: 15.797028

Więc widać, że istnieje pewna znacząca różnica we I/O przy użyciu gevent

To jest na tyle interesujące, by je przeanalizować. Oto kod do porównania wydajności greenlets vs multiprocessing pool vs multi-threading:

import gevent
from gevent import socket as gsock
import socket as sock
from multiprocessing import Pool
from threading import Thread
from datetime import datetime

class IpGetter(Thread):
    def __init__(self, domain):
        Thread.__init__(self)
        self.domain = domain
    def run(self):
        self.ip = sock.gethostbyname(self.domain)

if __name__ == "__main__":
    URLS = ['www.google.com', 'www.example.com', 'www.python.org', 'www.yahoo.com', 'www.ubc.ca', 'www.wikipedia.org']
    t1 = datetime.now()
    jobs = [gevent.spawn(gsock.gethostbyname, url) for url in URLS]
    gevent.joinall(jobs, timeout=2)
    t2 = datetime.now()
    print "Using gevent it took: %s" % (t2-t1).total_seconds()
    print "-----------"
    t1 = datetime.now()
    pool = Pool(len(URLS))
    results = pool.map(sock.gethostbyname, URLS)
    t2 = datetime.now()
    pool.close()
    print "Using multiprocessing it took: %s" % (t2-t1).total_seconds()
    print "-----------"
    t1 = datetime.now()
    threads = []
    for url in URLS:
        t = IpGetter(url)
        t.start()
        threads.append(t)
    for t in threads:
        t.join()
    t2 = datetime.now()
    print "Using multi-threading it took: %s" % (t2-t1).total_seconds()

Oto wyniki:

Using gevent it took: 0.083758
-----------
Using multiprocessing it took: 0.023633
-----------
Using multi-threading it took: 0.008327

Myślę, że greenlet twierdzi, że nie jest związany GIL w przeciwieństwie do biblioteki wielowątkowej. Co więcej, Greenlet doc mówi, że jest on przeznaczony do operacji sieciowych. W przypadku intensywnej pracy sieci przełączanie wątków jest w porządku i widać, że podejście wielowątkowe jest dość szybkie. Również zawsze lepiej jest używać oficjalnych bibliotek Pythona; próbowałem zainstalować greenlet na windows i napotkałem problem z zależnościami dll, więc uruchomiłem ten test na maszynie wirtualnej linux. Zawsze staraj się pisać kod z nadzieją, że działa na dowolnej maszynie.

Poprawiając powyższą odpowiedź @TemporalBeing, greenlety nie są "szybsze" niż wątki i jest błędną techniką programowania, aby spawn 60000 wątków Aby Rozwiązać problem współbieżności, mała Pula wątków jest zamiast tego odpowiednia. Oto bardziej rozsądne porównanie(z mojego postu reddit w odpowiedzi na osoby powołujące się na ten post).

import gevent
from gevent import socket as gsock
import socket as sock
import threading
from datetime import datetime


def timeit(fn, URLS):
    t1 = datetime.now()
    fn()
    t2 = datetime.now()
    print(
        "%s / %d hostnames, %s seconds" % (
            fn.__name__,
            len(URLS),
            (t2 - t1).total_seconds()
        )
    )


def run_gevent_without_a_timeout():
    ip_numbers = []

    def greenlet(domain_name):
        ip_numbers.append(gsock.gethostbyname(domain_name))

    jobs = [gevent.spawn(greenlet, domain_name) for domain_name in URLS]
    gevent.joinall(jobs)
    assert len(ip_numbers) == len(URLS)


def run_threads_correctly():
    ip_numbers = []

    def process():
        while queue:
            try:
                domain_name = queue.pop()
            except IndexError:
                pass
            else:
                ip_numbers.append(sock.gethostbyname(domain_name))

    threads = [threading.Thread(target=process) for i in range(50)]

    queue = list(URLS)
    for t in threads:
        t.start()
    for t in threads:
        t.join()
    assert len(ip_numbers) == len(URLS)

URLS_base = ['www.google.com', 'www.example.com', 'www.python.org',
             'www.yahoo.com', 'www.ubc.ca', 'www.wikipedia.org']

for NUM in (5, 50, 500, 5000, 10000):
    URLS = []

    for _ in range(NUM):
        for url in URLS_base:
            URLS.append(url)

    print("--------------------")
    timeit(run_gevent_without_a_timeout, URLS)
    timeit(run_threads_correctly, URLS)

Oto kilka wyników:

--------------------
run_gevent_without_a_timeout / 30 hostnames, 0.044888 seconds
run_threads_correctly / 30 hostnames, 0.019389 seconds
--------------------
run_gevent_without_a_timeout / 300 hostnames, 0.186045 seconds
run_threads_correctly / 300 hostnames, 0.153808 seconds
--------------------
run_gevent_without_a_timeout / 3000 hostnames, 1.834089 seconds
run_threads_correctly / 3000 hostnames, 1.569523 seconds
--------------------
run_gevent_without_a_timeout / 30000 hostnames, 19.030259 seconds
run_threads_correctly / 30000 hostnames, 15.163603 seconds
--------------------
run_gevent_without_a_timeout / 60000 hostnames, 35.770358 seconds
run_threads_correctly / 60000 hostnames, 29.864083 seconds

Nieporozumienie, jakie wszyscy mają na temat nieblokowania IO z Pythonem, jest przekonanie, że interpreter Pythona może wziąć udział w pracy pobierania wyników z gniazd na dużą skalę szybciej niż same połączenia sieciowe, może zwrócić IO. Chociaż z pewnością jest to prawdą w niektórych przypadkach, nie jest to prawdą tak często, jak ludzie myślą, ponieważ interpreter Pythona jest naprawdę bardzo powolny. W moim blogu tutaj, zilustruję kilka profili graficznych, które pokazują, że nawet dla bardzo prostych rzeczy, jeśli masz do czynienia z ostry i szybki dostęp do sieci rzeczy takie jak bazy danych lub serwery DNS, usługi te mogą wrócić o wiele szybciej niż Kod Pythona może uczestniczyć w wielu tysiącach tych połączeń.