一、什么是RPC
RPC 的全称是 Remote Procedure Call ，是一种进程间通信方式。它允许程序调用另一个地址空间（通常是共享网络的另一台机器上）的过程或函数，而不用程序员显式编码这个远程调用的细节。即无论是调用本地接口/服务的还是远程的接口/服务，本质上编写的调用代码基本相同。
说起RPC，就不能不提到分布式，这个促使RPC诞生的领域。
假设你有一个计算器接口，Calculator模块，以及它的实现类CalculatorImpl，那么在系统还是单体应用时，你要调用Calculator的add方法来执行一个加运算，直接实例一个CalculatorImpl对象，然后调用add方法就行了，这其实就是非常普通的本地函数调用，因为在同一个地址空间，或者说在同一块内存，所以可以直接实现。
现在，基于高性能和高可靠等因素的考虑，你决定将系统改造为分布式应用，将很多可以共享的功能都单独拎出来，比如上面说到的计算器，你单独把它放到一个服务里头，让别的服务去调用它。
这下问题来了，服务A里头并没有CalculatorImpl这个类，那它要怎样调用服务B的CalculatorImpl的add方法呢？
有同学会说，可以模仿B/S架构的调用方式呀，在B服务暴露一个Restful接口，然后A服务通过调用这个Restful接口来间接调用CalculatorImpl的add方法。
res=requests.get("URL")
1、http协议较为复杂，效率低，相对笨重
二 如何实现RPC
2.1 RPC实现原理
实际情况下，RPC很少用到http协议来进行数据传输，毕竟我只是想传输一下数据而已，何必动用到一个文本传输的应用层协议呢，所以一般会选择直接传输二进制数据
不管你用何种协议进行数据传输，一个完整的RPC过程，都可以用下面这张图来描述：
以左边的Client端为例，Application就是rpc的调用方，Client Stub就是我们上面说到的代理对象，也就是那个看起来像是Calculator的实现类，其实内部是通过rpc方式来进行远程调用的代理对象，至于Client Run-time Library，则是实现远程调用的工具包，比如python的socket模块，最后通过底层网络实现实现数据的传输。
2.2 python实现RPC
# 客户端 import rpyc # 参数主要是host, port conn = rpyc.connect('localhost', 9999) # test是服务端的那个以"exposed_"开头的方法 print('start') for i in range(100): cResult = conn.root.cal(i) print(cResult) print('end') conn.close() # 服务端 from rpyc import Service from rpyc.utils.server import ThreadedServer class TestService(Service): # 对于服务端来说， 只有以"exposed_"打头的方法才能被客户端调用，所以要提供给客户端的方法都得加"exposed_" def exposed_cal(self, num): return num*2 sr = ThreadedServer(TestService, port=9999, auto_register=False) sr.start()
2.3 GRPC框架
目前流行的开源 RPC 框架还是比较多的，有阿里巴巴的 Dubbo、Facebook 的 Thrift、Google 的 gRPC、Twitter 的 Finagle 等。
gRPC：是 Google 公布的开源软件，基于最新的 HTTP 2.0 协议，并支持常见的众多编程语言。RPC 框架是基于 HTTP 协议实现的，底层使用到了 Netty 框架的支持。
Thrift：是 Facebook 的开源 RPC 框架，主要是一个跨语言的服务开发框架。用户只要在其之上进行二次开发就行，应用对于底层的 RPC 通讯等都是透明的。不过这个对于用户来说需要学习特定领域语言这个特性，还是有一定成本的。
Dubbo：是阿里集团开源的一个极为出名的 RPC 框架，在很多互联网公司和企业应用中广泛使用。协议和序列化框架都可以插拔是极其鲜明的特色。
以使用较为广泛的gRPC为例学习下RPC框架的使用
gRPC 是 Google 开放的一款 RPC (Remote Procedure Call) 框架，建立在 HTTP2 之上，使用 Protocol Buffers。
2.3.1 Protocol Buffers 简介
protocol buffers 是 Google 公司开发的一种数据描述语言，采用简单的二进制格式，比 XML、JSON 格式体积更小，编解码效率更高。用于数据存储、通信协议等方面。
通过一个 .proto 文件，你可以定义你的数据的结构，并生成基于各种语言的代码。目前支持的语言很多，有 Python、golang、js、java 等等。
2.3.2 gRPC 简介
有了 protocol buffers 之后，Google 进一步推出了 gRPC。通过 gRPC，我们可以在 .proto 文件中也一并定义好 service，让远端使用的 client 可以如同调用本地的 library 一样使用。
可以看到 gRPC Server 是由 C++ 写的，Client 则分別是 Java 以及 Ruby，Server 跟 Client 端则是通过 protocol buffers 来信息传递。
1. 定义功能函数
calculate.py
# -*- coding: utf-8 -*- import math # 求平方 def square(x): return math.sqrt(x)
2. 创建 .proto 文件
在这里描述我们要使用的 message 以及 service
syntax = "proto3"; message Number { float value = 1; } service Calculate { rpc Square(Number) returns (Number) {} }
3. 生成 gRPC 类
这部分可能是整个过程中最“黑盒子”的部分。我们将使用特殊工具自动生成类。
$ pip install grpcio grpcio-tools
$ python -m grpc_tools.protoc -I. --python_out=. --grpc_python_out=. calculate.proto
你会看到生成来两个文件：
- calculate_pb2.py — 包含 message(calculate_pb2.Number)
- calculate_pb2_grpc.py — 包含 server(calculate_pb2_grpc.CalculatorServicer) and client(calculate_pb2_grpc.CalculatorStub)
4. 创建 gRPC 服务端
server.py
# -*- coding: utf-8 -*- import grpc import calculate_pb2 import calculate_pb2_grpc import calculate from concurrent import futures import time # 创建一个 CalculateServicer 继承自 calculate_pb2_grpc.CalculateServicer class CalculateServicer(calculate_pb2_grpc.CalculateServicer): def Square(self, request, context): response = calculate_pb2.Number() response.value = calculate.square(request.value) return response # 创建一个 gRPC server server = grpc.server(futures.ThreadPoolExecutor(max_workers=10)) # 利用 add_CalculateServicer_to_server 这个方法把上面定义的 CalculateServicer 加到 server 中 calculate_pb2_grpc.add_CalculateServicer_to_server(CalculateServicer(), server) # 让 server 跑在 port 50051 中 print 'Starting server. Listening on port 50051.' server.add_insecure_port('[::]:50051') server.start() # 因为 server.start() 不会阻塞，添加睡眠循环以持续服务 try: while True: time.sleep(24 * 60 * 60) except KeyboardInterrupt: server.stop(0)
启动 gRPC server：
$ python server.py
Starting server. Listening on port 50051.
5. 创建 gRPC 客户端
client.py
# -*- coding: utf-8 -*- import grpc import calculate_pb2 import calculate_pb2_grpc # 打开 gRPC channel，连接到 localhost:50051 channel = grpc.insecure_channel('localhost:50051') # 创建一个 stub (gRPC client) stub = calculate_pb2_grpc.CalculateStub(channel) # 创建一个有效的请求消息 Number number = calculate_pb2.Number(value=16) # 带着 Number 去调用 Square response = stub.Square(number) print response.value
启动 gRPC client：
$ python client.py
4.0
最终的文件结构：
三 总结
RPC 主要用于公司内部的服务调用，性能消耗低，传输效率高，实现复杂。
HTTP 主要用于对外的异构环境，浏览器接口调用，App 接口调用，第三方接口调用等。
RPC 使用场景(大型的网站，内部子系统较多、接口非常多的情况下适合使用 RPC)：
- 长链接。不必每次通信都要像 HTTP 一样去 3 次握手，减少了网络开销。
- 注册发布机制。RPC 框架一般都有注册中心，有丰富的监控管理;发布、下线接口、动态扩展等，对调用方来说是无感知、统一化的操作。
- 安全性，没有暴露资源操作。
- 微服务支持。就是最近流行的服务化架构、服务化治理，RPC 框架是一个强力的支撑。
四 RPC没那么简单
要实现一个RPC不算难，难的是实现一个高性能高可靠的RPC框架。
比如，既然是分布式了，那么一个服务可能有多个实例，你在调用时，要如何获取这些实例的地址呢？
这时候就需要一个服务注册中心，比如在Dubbo里头，就可以使用Zookeeper作为注册中心，在调用时，从Zookeeper获取服务的实例列表，再从中选择一个进行调用。
那么选哪个调用好呢？这时候就需要负载均衡了，于是你又得考虑如何实现复杂均衡，比如Dubbo就提供了好几种负载均衡策略。
这还没完，总不能每次调用时都去注册中心查询实例列表吧，这样效率多低呀，于是又有了缓存，有了缓存，就要考虑缓存的更新问题，blablabla......
你以为就这样结束了，没呢，还有这些：
- 客户端总不能每次调用完都干等着服务端返回数据吧，于是就要支持异步调用；
- 服务端的接口修改了，老的接口还有人在用，怎么办？总不能让他们都改了吧？这就需要版本控制了；
- 服务端总不能每次接到请求都马上启动一个线程去处理吧？于是就需要线程池；
- 服务端关闭时，还没处理完的请求怎么办？是直接结束呢，还是等全部请求处理完再关闭呢？
- ......
如此种种，都是一个优秀的RPC框架需要考虑的问题。