zoukankan      html  css  js  c++  java
  • Node单线程高并发原理

    一、node是如何处理web请求的

    浏览器中的js是单线程的,node也是单线程的。这个单线程相当于一个大管家,一切大小事务都要经过他的手才能办成,它总是把IO任务放入到任务池中。
    虽然说是单线程,但是node也有一个线程池专门负责执行任务池中的任务,它们把任务完成之后会告知主线程以接下来利用CPU完成处理。
    关键在于理清哪些任务是主线程做的,哪些任务是线程池做的。
    对于IO操作(例如文件读取、数据库读取、网络请求等),基本全部是线程池完成的(IO操作也有阻塞式的写法);对于计算任务,都是主线程完成的。
    不要小看IO操作占用的时间,node的重要优势就是把IO操作放到了主线程之外,从而让主线程腾出手来去处理更多的请求。
    node的线程池基于libuv这个库。

    node技术的底层依赖:

    • V8:Google 推出的 Javascript VM,也是 Node.js 为什么使用的是 Javascript的关键,它为 Javascript提供了在非浏览器端运行的环境,它的高效是 Node.js 之所以高效的原因之一。
    • Libuv:它为 Node.js 提供了跨平台,线程池,事件池,异步 I/O 等能力,是 Node.js 如此强大的关键。
    • C-ares:提供了异步处理 DNS 相关的能力。
    • http_parser、OpenSSL、zlib 等:提供包括 http 解析、SSL、数据压缩等其他的能力。

    二、其它语言是如何处理web请求的

    以python为例,gunicorn服务器可以指定worker数,表示可以同时处理的任务数。即便这些任务都是CPU密集型操作,gunicorn也能够最多支持和worker数相等的请求。而node最多只能支持一个CPU密集型任务。
    简言之,node相当于一个worker,但是这个worker效率比较高(因为把IO和计算分离开了)。
    实际上,node可以通过开很多个进程,通过nginx负载均衡来实现多个worker,这样完全可以达到和其它语言相同的效果。
    简言之,开多个worker谁都会。node的优势在于这个优秀的单线程。
    开多个worker应该是优化的最后一步,是实在想不出更好办法之后的办法。node的创新之处就在于IO和计算分离,从而将并发量提高了许多。
    IO和计算分离是一种思想,并非只能用js实现,其它语言也可以借鉴。

    三、node的优势和劣势

    • node擅长执行IO密集型任务,不善于执行CPU密集型任务。
    • node的效率比传统阻塞式web服务高,为啥以前没有想到使用事件驱动模型把IO和计算进行分离?因为分离是有代价的,node异步模式带来了大量的回调,回调一旦太深,代码可读性极差。
    • node的主线程不能崩,主线程一崩整个服务全挂掉。因此一定要接住异常,这个问题不算劣势,因为很容易解决。

    四、node如何实现多个worker

    cluster模块已经成为node的标准模块了,这个模块赋予了node多worker的能力。使用nginx+多个实例的方法需要占用多个端口,cluster则能够让多个worker共用同一端口。
    原来的单线程模型处理计算密集型任务的线程只有一个,即主线程;处理IO的线程有多个。现在cluster通过开辟多个处理计算密集型任务的线程实现了多worker。

    参考资料

    一篇cluster的详细讲解
    https://blog.csdn.net/leohzj/article/details/50462231

  • 相关阅读:
    利用ffmpeg获取视频帧
    GCN(Graph Convolutional Network)的简单公式推导
    在导入pytorch时libmkl_intel_lp64.so找不到
    pytorch学习: 构建网络模型的几种方法
    pytorch: 准备、训练和测试自己的图片数据
    pytorch学习:准备自己的图片数据
    Pytorch入门实例:mnist分类训练
    tensorflow 1.0 学习:十图详解tensorflow数据读取机制
    概率分布之间的距离度量以及python实现(四)
    Attribute application@allowBackup value=(true) from AndroidManifest.xml:7:9-35
  • 原文地址:https://www.cnblogs.com/weiyinfu/p/10171782.html
Copyright © 2011-2022 走看看