【python】-- 协程介绍及基本示例、协程遇到IO操作自动切换、协程（gevent）并发爬网页

协程介绍及基本示例

协程，又称微线程，纤程。英文名Coroutine。一句话说明什么是协程：协程是一种用户态的轻量级线程。

　　协程拥有自己的寄存器上下文和栈。协程调度切换时，将寄存器上下文和栈保存到其他地方，在切回来的时候，恢复先前保存的寄存器上下文和栈。因此：

协程能保留上一次调用时的状态（即所有局部状态的一个特定组合），每次过程重入时，就相当于进入上一次调用的状态，换种说法：进入上一次离开时所处逻辑流的位置。

　　协程的好处：

• 无需线程上下文切换的开销
• 无需原子操作锁定及同步的开销
  • "原子操作(atomic operation)是不需要synchronized"，所谓原子操作是指不会被线程调度机制打断的操作；这种操作一旦开始，就一直运行到结束，中间不会有任何 context switch （切换到另一个线程）。原子操作可以是一个步骤，也可以是多个操作步骤，但是其顺序是不可以被打乱，或者切割掉只执行部分。视作整体是原子性的核心。
• 方便切换控制流，简化编程模型
• 高并发+高扩展性+低成本：一个CPU支持上万的协程都不是问题。所以很适合用于高并发处理。

　　缺点：

• 无法利用多核资源：协程的本质是个单线程,它不能同时将 单个CPU 的多个核用上,协程需要和进程配合才能运行在多CPU上.当然我们日常所编写的绝大部分应用都没有这个必要，除非是cpu密集型应用。
• 进行阻塞（Blocking）操作（如IO时）会阻塞掉整个程序。

1、yield实现协程

import time


def consumer(name):
    print("--->starting eating baozi...")
    while True:
        new_baozi = yield   # yield设置生成器
        print("[{0}] is eating baozi {1}".format(name, new_baozi))


def producer():
    r = con.__next__()  # 调用生成器
    r = con2.__next__()
    n = 0
    while n < 5:
        n += 1
        con.send(n)  # 唤醒生成器，并且向生成器传值
        con2.send(n)
        time.sleep(1)
        print("33[32m[producer]33[0m is making baozi {0}".format(n))

if __name__ == '__main__':
    con = consumer("c1")   # 创建一个生成器c1
    con2 = consumer("c2")   # 创建一个生产器C2
    p = producer()

1、send有两个作用？

　　①唤醒生产器 ②给yield传一个值，就是yield接收到的这个值。这个说明yield在被唤醒的时候可以接收数据。

2、怎么实现我们的单线程实现并发的效果呢？

　　遇到IO操作就切换，IO比较耗时，协程之所以能处理大并发，就是IO操作会挤掉大量的时间。没有IO操作的话，整个程序只有cpu在运算了，因为cpu很快，所以你感觉是在并发执行的。

3、IO操作完成了，程序什么时候切回去？

　　IO操作一旦完成，我们就自动切回去。

4、IO是什么?

Python中的io模块是用来处理各种类型的I/O操作流。主要有三种类型的I/O类型：文本I/O(Text I/O)，二进制I/O(Binary I/O)和原始I/O(Raw I/O)。它们都是通用类别，每一种都有不同的后备存储。属于这些类别中的任何一个的具体对象称为文件对象，其他常用的术语为流或者类文件对象。

  除了它的类别，每一种具体的流对象也具有各种功能：它仅仅允许读，或者仅仅允许写，或者既能读又能写。它也允许任意随机访问（向前或者向后寻找任何位置），或者仅仅顺序访问（例如在套接字或管道中）。

  所有的流对于提供给它们的数据的数据类型都很严格。例如，如果用一个二进制流的write（）方法写一个字符类型的数据，那么将会触发一个TypeError错误。用文本流的write()方法来写字节对象数据也是一样的，会触发该错误。

二、手动实现切换IO

Greenlet是python的一个C扩展，来源于Stackless python，旨在提供可自行调度的‘微线程’， 即协程。它可以使你在任意函数之间随意切换，而不需把这个函数先声明为generator

from greenlet import greenlet


def test1():
    print(12)
    gr2.switch()  # 切换到test2
    print(34)
    gr2.switch()   # 切换到test2


def test2():
    print(56)
    gr1.switch()   # 切换到test1
    print(78)

gr1 = greenlet(test1)  # 启动一个协程
gr2 = greenlet(test2)
gr1.switch()   # 切换到test1，这个switch不写的话，会无法输出打印

#执行结果
12
56
34
78

小结：

1. cpu值认识线程，而不认识协程，协程是用户自己控制的，cpu根本都不知道它们的存在。
2. 线程的上下文切换保存在cpu的寄存器中，但是协程拥有自己的寄存上下文和栈。
3. 协程是串行的，无需锁。

虽然greenlet确实用着比generator（生成器）还简单了，但好像还没有解决一个问题，就是遇到IO操作，自动切换，对不对？

三、协程遇IO操作自动切换

下来就说说如何遇到IO就自动切换切换，Gevent 是一个第三方库，可以轻松通过gevent实现并发同步或异步编程，在gevent中用到的主要模式是Greenlet, 它是以C扩展模块形式接入Python的轻量级协程。 Greenlet全部运行在主程序操作系统进程的内部，但它们被协作式地调度。

import gevent


def foo():
    print("Running in foo")
    gevent.sleep(3)  # 模仿io操作，一遇到io操作就切换
    print("Explicit context switch to foo again")


def bar():
    print("Explicit context to bar")
    gevent.sleep(1)
    print("Implicit context switch back to bar")


def fun3():
    print("running fun3")
    gevent.sleep(0)   # 虽然是0秒，但是会触发一次切换
    print("running fun3 again")

gevent.joinall([
    gevent.spawn(foo),  # 生成协程
    gevent.spawn(bar),
    gevent.spawn(fun3)
])

#执行结果
Running in foo
Explicit context to bar
running fun3
running fun3 again
Implicit context switch back to bar
Explicit context switch to foo again

当foo遇到sleep(2)的时候，切自动切换到bar函数，执行遇到sleep(1)的时候自动切换到fun3函数，遇到sleep(0)又自动切换到foo。这个时候sleep(2)还没有执行完毕，又切换到bar的sleep(1)这边，发现又没有执行完毕，就有执行fun3这边，发现sleep(0)执行完毕，则继续执行，然后又切换到foo,发现sleep(2)又没有执行完毕，就切换到bar的sleep(1)这边，发现执行完了，有切回到foo这边，执行完毕。

主要作用：比如说你现在又50处IO，然后总共加起来串行的的话，要花100秒，但是50处IO最长的那个IO只花了5秒钟，那代表中你的这个程序就是协程最多5秒就执行完毕了。

符合下面四个条件才能称之为协程：

1. 必须在只有一个单线程里实现并发
2. 修改共享数据不需加锁
3. 用户程序里自己保存多个控制流的上下文栈
4. 一个协程遇到IO操作自动切换到其它协程

协程（gevent）并发爬网页

上面例子gevent遇到io自动切换，现在就来实际演示协程爬虫的例子

1、正常（串行）爬网页

串行效果的爬网页的代码，看看消耗多长时间

from urllib import request
import time


def run(url):
    print("GET:{0}".format(url))
    resp = request.urlopen(url)    # request.urlopen()函数 用来打开网页
    data = resp.read()    # 读取爬到的数据
    with open("url.html", "wb") as f:
        f.write(data)
    print('{0} bytes received from {1}'.format(len(data), url))

urls = [
    'http://www.163.com/',
    'https://www.yahoo.com/',
    'https://github.com/'
]

time_start = time.time()    # 开始时间
for url in urls:
    run(url)
print("同步cost", time.time() - time_start)  # 程序执行消耗的时间

#执行结果
GET:http://www.163.com/
659094 bytes received from http://www.163.com/
GET:https://www.yahoo.com/
505819 bytes received from https://www.yahoo.com/
GET:https://github.com/
56006 bytes received from https://github.com/
同步cost 4.978517532348633

　　

 2、协程(gevent)爬虫

用gevent并发执行一下，看看效果。

from urllib import request
import gevent,time

def run(url):
    print("GET:{0}".format(url))
    resp = request.urlopen(url)    # request.urlopen()函数 用来打开网页
    data = resp.read()    # 读取爬到的数据
    with open("url.html", "wb") as f:
        f.write(data)
    print('{0} bytes received from {1}'.format(len(data), url))

urls = [
    'http://www.163.com/',
    'https://www.yahoo.com/',
    'https://github.com/'
]

time_start = time.time()    # 开始时间
gevent.joinall([                     # 用gevent启动协程
    gevent.spawn(run, 'http://www.163.com/'),  # 第二个值是传入参数，之前我们没有讲，因为前面没有传参
    gevent.spawn(run, 'https://www.yahoo.com/'),
    gevent.spawn(run, 'https://github.com/'),
])
print("同步cost", time.time() - time_start)  # 程序执行消耗的时间

#执行结果
GET:http://www.163.com/
659097 bytes received from http://www.163.com/
GET:https://www.yahoo.com/
503844 bytes received from https://www.yahoo.com/
GET:https://github.com/
55998 bytes received from https://github.com/
同步cost 4.433035850524902

对比1、2爬网页的例子，发现执行耗费时间上并没有得到明显提升，并没有并发爬网页的神奇快感，其实主要是因为gevent现在检测不到urllib的IO操作。它都不知道urllib进行了IO操作，感受不到阻塞，它都不会进行切换，所以它就串行了。

 

3、打个补丁，告诉gevent,urllib正在进行IO操作

通过导入monkey模块，来打这个补丁，原代码不变，就添加一行monkey.patch_all()即可。

from urllib import request
import gevent,time
from gevent import monkey  # 导入monkey模块

monkey.patch_all()  # 把当前程序的所有的IO操作给作上标记


def run(url):
    print("GET:{0}".format(url))
    resp = request.urlopen(url)    # request.urlopen()函数 用来打开网页
    data = resp.read()    # 读取爬到的数据
    with open("url.html", "wb") as f:
        f.write(data)
    print('{0} bytes received from {1}'.format(len(data), url))

urls = [
    'http://www.163.com/',
    'https://www.yahoo.com/',
    'https://github.com/'
]

time_start = time.time()    # 开始时间
gevent.joinall([                     # 用gevent启动协程
    gevent.spawn(run, 'http://www.163.com/'),  # 第二个值是传入参数，之前我们没有讲，因为前面没有传参
    gevent.spawn(run, 'https://www.yahoo.com/'),
    gevent.spawn(run, 'https://github.com/'),
])
print("同步cost", time.time() - time_start)  # 程序执行消耗的时间


#执行结果
GET:http://www.163.com/
GET:https://www.yahoo.com/
GET:https://github.com/
659097 bytes received from http://www.163.com/
503846 bytes received from https://www.yahoo.com/
55998 bytes received from https://github.com/
同步cost 1.8789663314819336

原本将近5秒的耗时现在只用了不到2秒就完成，这就是协程的魅力，通过打补丁来检测urllib，它就把urllib里面所有涉及到的有可能进行IO操作的地方直接花在前面加一个标记，这个标记就相当于gevent.sleep()，所以把urllib变成一个一有阻塞，它就切换了

4、gevent实现单线程下的多socket并发

4.1、server端

import sys,gevent,socket,time
from gevent import socket,monkey
monkey.patch_all()
  
def server(port):
    s = socket.socket()
    s.bind(('0.0.0.0', port))
    s.listen(500)
    while True:
        cli, addr = s.accept()
        gevent.spawn(handle_request, cli)   #协程
 
def handle_request(conn):
    try:
        while True:
            data = conn.recv(1024)
            print("recv:", data)
            conn.send(data)
            if not data:
                conn.shutdown(socket.SHUT_WR)
    except Exception as  ex:
        print(ex)
    finally:
        conn.close()
if __name__ == '__main__':
    server(8888)

　　

4.2、client端

import socket
  
HOST = 'localhost'    # The remote host
PORT = 8888           # The same port as used by the server
s = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
s.connect((HOST, PORT))
while True:
    msg = bytes(input(">>:"),encoding="utf8")
    s.sendall(msg)
    data = s.recv(1024)
    print('Received', repr(data))
s.close()