一、IO模型介绍
为了更好地了解IO模型，我们需要事先回顾下：同步、异步、阻塞、非阻塞
同步（synchronous） IO和异步（asynchronous） IO，阻塞（blocking） IO和非阻塞（non-blocking）IO分别是什么，到底有什么区别？这个问题其实不同的人给出的答案都可能不同，比如wiki，就认为asynchronous IO和non-blocking IO是一个东西。
本文讨论的背景是Linux环境下的network IO。
本文最重要的参考文献是Richard Stevens的“UNIX® Network Programming Volume 1, Third Edition: The Sockets Networking ”，6.2节“I/O Models ”，Stevens在这节中详细说明了各种IO的特点和区别，如果英文够好的话，推荐直接阅读。Stevens的文风是有名的深入浅出，所以不用担心看不懂。本文中的流程图也是截取自参考文献。
Stevens在文章中一共比较了五种IO Model：
- blocking IO 阻塞I/O
- nonblocking IO 非阻塞I/O
- IO multiplexing I/O多路复用
- signal driven IO 信号驱动I/O
- asynchronous IO 异步I/O
由signal driven IO（信号驱动IO）在实际中并不常用，所以主要介绍其余四种IO Model。
再说一下IO发生时涉及的对象和步骤。对于一个network IO (这里我们以read举例)，它会涉及到两个系统对象，一个是调用这个IO的process (or thread)，另一个就是系统内核(kernel)。当一个read操作发生时，该操作会经历两个阶段：
1）等待数据准备（Waiting for the data to be ready）
2）将数据从内核拷贝到进程中（Copying the data from the kernel to the process）
这两点非常重要，这些IO模型的区别就是在两个阶段上各有不同的情况。
补充：
1、输入操作：read、readv、recv、recvfrom、recvmsg共5和函数，如果会阻塞状态，则会经历wait data和copy data两个阶段，如果设置为非阻塞则在wait不到data时抛出异常。
2、输出操作：write、writev、send、sendto、sendmsg共5个函数，在发送缓冲区满了会阻塞在原地，如果设置为非阻塞，则会抛出异常。
3、接收外来链接：accept，与输入操作类似
4、发起外出链接：connect，与输出操作类似
二、阻塞IO（blocking IO）
在linux中，默认情况下所有的socket都是blocking，一个典型的读操作流程大概是这样：
当用户进程调用了recvfrom这个系统调用，kernel就开始了IO的第一个阶段：准备数据。对于network io来说，很多时候数据在一开始还没有到达（比如，还没有收到一个完整的UDP包），这个时候kernel就要等待足够的数据到来。
而在用户进程这边，整个进程会被阻塞。当kernel一直等到数据准备好了，它就会将数据从kernel中拷贝到用户内存，然后kernel返回结果，用户进程才解除block的状态，重新运行起来。
所以，blocking IO的特点就是在IO执行的两个阶段（等待数据和拷贝数据两个阶段）都被block了。
from socket import * server = socket(AF_INET, SOCK_STREAM) server.bind(('127.0.0.1', 8093)) server.listen(5) while True: # 链接循环 print("starting....") conn, addr = server.accept() # 等对方来连————阻塞（操作系统会将cpu拿走） print(addr) while True: # 通讯循环 try: data = conn.recv(1024) # 等待收消息————阻塞 if not data: break conn.send(data.upper()) except ConnectionResetError: break conn.close() server.close()
from socket import * client = socket(AF_INET, SOCK_STREAM) client.connect(("127.0.0.1", 8093)) while True: msg = input(">>").strip() if not msg:continue client.send(msg.encode("utf-8")) data = client.recv(1024) print(data.decode("utf-8")) client.close()
之前学习的网络编程都是从listen、send、recv等接口开始的，使用这些接口可以很方便地构建服务器客户机模型。但是大部分的socket接口都是阻塞型的。
所谓阻塞型接口是指系统调用(一般是IO接口)不返回调用结果并让当前线程一直阻塞，只有当该系统调用获得结果或超时出错时才返回。
为了能在调用recv()，线程被阻塞的同时，仍能响应其他的网络请求，可以使用之前学习到的多线程(或多进程)来解决。
from socket import * from threading import Thread def communicate(conn): while True: # 通讯循环 try: data = conn.recv(1024) # 等待收消息————阻塞 if not data: break conn.send(data.upper()) except ConnectionResetError: break conn.close() server = socket(AF_INET, SOCK_STREAM) server.bind(('127.0.0.1', 8093)) server.listen(5) while True: # 链接循环 print("starting....") conn, addr = server.accept() # 等对方来连————阻塞（操作系统会将cpu拿走） print(addr) t=Thread(target=communicate, args=(conn,)) t.start() server.close()
上面这个方案存在的问题：开启多进程或都线程的方式，在遇到要同时响应成百上千路的连接请求，则无论多线程还是多进程都会严重占据系统资源，降低系统对外界响应效率，而且线程与进程本身也更容易进入假死状态。
进一步的改进方案：很多程序员会考虑使用“线程池”或“连接池”。
“线程池”旨在减少创建和销毁线程的频率，其维持一定合理数量的线程，并让空闲的线程重新承担新的执行任务。
“连接池”维持连接的缓存池，尽量重用已有的连接、减少创建和关闭连接的频率。
这两种技术都可以很好的降低系统开销，都被广泛应用很多大型系统，如websphere、tomcat和各种数据库等。
新改进方案存在的问题：
“线程池”和“连接池”技术也只是在一定程度上缓解了频繁调用IO接口带来的资源占用。而且，所谓“池”始终有其上限，当请求大大超过上限时，“池”构成的系统对外界的响应并不比没有池的时候效果好多少。所以使用“池”必须考虑其面临的响应规模，并根据响应规模调整“池”的大小。（规模过大，反而会降低效率）
总之，多线程模型可以方便高效的解决小规模的服务请求，但面对大规模的服务请求，多线程模型也会遇到瓶颈，可以用非阻塞接口来尝试解决这个问题。
三、非阻塞IO(non-blocking IO)
Linux下，可以通过设置socket使其变为non-blocking。当对一个non-blocking socket执行读操作时，流程是这个样子：
当用户进程发出read操作时，如果kernel中的数据还没有准备好，那么它并不会block用户进程，而是立刻返回一个error。从用户进程角度讲 ，它发起一个read操作后，并不需要等待，而是马上就得到了一个结果。用户进程判断结果是一个error时，它就知道数据还没有准备好，于是用户就可以在本次到下次再发起read询问的时间间隔内做其他事情，或者直接再次发送read操作。一旦kernel中的数据准备好了，并且又再次收到了用户进程的system call，那么它马上就将数据拷贝到了用户内存（这一阶段仍然是阻塞的），然后返回。
可以看出wait data这个阶段就被利用上了，copy data是一个本地的操作，时间也比较短，效率得到了很大提高。
也就是说非阻塞的recvform系统调用调用之后，进程并没有被阻塞，内核马上返回给进程，如果数据还没准备好， 此时会返回一个error。进程在返回之后，可以干点别的事情，然后再发起recvform系统调用。重复上面的过程， 循环往复的进行recvform系统调用。这个过程通常被称之为轮询。轮询检查内核数据，直到数据准备好，再拷贝数据到进程， 进行数据处理。需要注意，拷贝数据整个过程，进程仍然是属于阻塞的状态。
所以，在非阻塞式IO中，用户进程其实是需要不断的主动询问kernel数据准备好了没有。
非阻塞IO示例：
server.setblocking(False) # 默认是True:阻塞，改为False:非阻塞，这行运行后，后面所有的IO操作变为非阻塞。
from socket import * server = socket(AF_INET, SOCK_STREAM) server.bind(('127.0.0.1', 8093)) server.listen(5) server.setblocking(False) # 默认是True:阻塞，改为False:非阻塞，这行运行后，后面所有的IO操作变为非阻塞 print("starting....") rlist = [] wlist = [] while True: # 链接循环 try: conn, addr = server.accept() # 问操作系统有没有来链接 rlist.append(conn) print(rlist) except BlockingIOError: # 没有链接捕捉异常 # print("干其他活") """收消息""" del_rlist = [] for conn in rlist: try: data = conn.recv(1024) # 收消息 if not data: del_rlist.append(conn) continue # conn.send(data.upper()) # 传输的内容很多时，send也会有阻塞 wlist.append((conn, data.upper())) # 存放套接字及套接字准备发送的内容 except BlockingIOError: # 捕捉异常，跳过阻塞异常 continue except Exception: conn.close() del_rlist.append(conn) # 要删除对象加入空列表del_rlist """发消息""" del_wlist = [] for item in wlist: try: conn = item[0] data = item[1] conn.send(data) del_wlist.append(conn) # 正常，走到这一步 except BlockingIOError: # 没让发抛出异常 pass for item in del_wlist: wlist.remove(item) for conn in del_rlist: rlist.remove(conn) server.close()
from socket import * client = socket(AF_INET, SOCK_STREAM) client.connect(("127.0.0.1", 8093)) while True: msg = input(">>").strip() if not msg:continue client.send(msg.encode("utf-8")) data = client.recv(1024) print(data.decode("utf-8")) client.close()
总结非阻塞IO模型：
优点：能够在等待任务完成的时间里干其他活了（包括提交其他任务，也就是 “后台” 可以有多个任务在“”同时“”执行）。
缺点：
1、循环调用recv()将大幅度推高CPU占用率；这也是我们在代码中留一句time.sleep(2)的原因,否则在低配主机下极容易出现卡机情况
2、任务完成的响应延迟增大了，因为每过一段时间才去轮询一次read操作，而任务可能在两次轮询之间的任意时间完成。 这会导致整体数据吞吐量的降低。
3、此外，在这个方案中recv()更多的是起到检测“操作是否完成”的作用，实际操作系统提供了更为高效的检测“操作是否完成“作用的接口，例如select()多路复用模式，可以一次检测多个连接是否活跃。
因此非阻塞IO模型不被推荐使用。
四、多路复用IO(IO multiplexing)
多路复用IO模型也有人称为IO多路复用，还有人称为事件驱动IO(event driven IO)。
select是多路复用IO模型的一种。select/epoll的好处就在于单个process就可以同时处理多个网络连接的IO。
它的基本原理就是select/epoll这个function会不断的轮询所负责的所有socket，当某个socket有数据到达了，就通知用户进程。它的流程如图：
当用户进程调用了select，那么整个进程会被block，而同时，kernel会“监视”所有select负责的socket， 当任何一个socket中的数据准备好了，select就会返回。这个时候用户进程再调用read操作，将数据从kernel拷贝到用户进程。 这个图和blocking IO的图其实并没有太大的不同，事实上还更差一些。因为这里需要使用两个系统调用(select和recvfrom)， 而blocking IO只调用了一个系统调用(recvfrom)。但是，用select的优势在于它可以同时处理多个connection。
强调：
1. 如果处理的连接数不是很高的话，使用select/epoll的web server不一定比使用multi-threading + blocking IO的web server性能更好，可能延迟还更大。select/epoll的优势并不是对于单个连接能处理得更快，而是在于能处理更多的连接。
2. 在多路复用模型中，对于每一个socket，一般都设置成为non-blocking，但是，如上图所示，整个用户的process其实是一直被block的。只不过process是被select这个函数block，而不是被socket IO给block。
结论: select的优势在于可以处理多个连接，不适用于单个连接
多路复用IO-服务端多路复用IO-客户端select监听fd变化过程分析：
用户进程创建socket对象，拷贝监听的fd到内核空间，每一个fd会对应一张系统文件表，内核空间的fd响应到数据后， 就会发送信号给用户进程数据已到； 用户进程再发送系统调用，比如（accept）将内核空间的数据copy到用户空间，同时作为接受数据端内核空间的数据清除， 这样重新监听时fd再有新的数据又可以响应到了（发送端因为基于TCP协议所以需要收到应答后才会清除）。
模型优点：
相比其他模型，使用select() 的事件驱动模型只用单线程（进程）执行，占用资源少，不消耗太多 CPU，同时能够为多客户端提供服务。 如果试图建立一个简单的事件驱动的服务器程序，这个模型有一定的参考价值。
模型缺点：
首先select()接口并不是实现“事件驱动”的最好选择。因为当需要探测的句柄值较大时，select()接口本身需要消耗大量时间去轮询各个句柄。 很多操作系统提供了更为高效的接口，如linux提供了epoll，BSD提供了kqueue，Solaris提供了/dev/poll，…。 如果需要实现更高效的服务器程序，类似epoll这样的接口更被推荐。遗憾的是不同的操作系统特供的epoll接口有很大差异， 所以使用类似于epoll的接口实现具有较好跨平台能力的服务器会比较困难。
其次，该模型将事件探测和事件响应夹杂在一起，一旦事件响应的执行体庞大，则对整个模型是灾难性的。
1、select、poll、epoll 模型区别
select，poll，epoll都是IO多路复用的机制。I/O多路复用就通过一种机制，可以监视多个描述符，一旦某个描述符就绪（一般是读就绪或者写就绪），能够通知程序进行相应的读写操作。但select，poll，epoll本质上都是同步I/O，因为他们都需要在读写事件就绪后自己负责进行读写，也就是说这个读写过程是阻塞的，而异步I/O则无需自己负责进行读写，异步I/O的实现会负责把数据从内核拷贝到用户空间。
（1）select的缺点：
1）单个进程能够监视的文件描述符的数量存在最大限制，通常是1024，当然可以更改数量，但由于select采用轮询的方式扫描文件描述符，文件描述符数量越多，性能越差；
2）内核/用户空间内存拷贝问题，select需要复制大量的句柄数据结构，产生巨大的开销
3）select返回的是含有整个句柄的数组，应用程序需要遍历整个数组才能发现哪些句柄发生了事件；
4）select的触发方式是水平触发，应用程序如果没有完成对一个已经就绪的文件描述符进行IO，那么之后再次select调用还是会将这些文件描述符通知进程。
（2）poll的优劣：
相比于select模型，poll使用链表保存文件描述符，因此没有了监视文件数量的限制，但其他三个缺点依然存在。
（3）epoll特性:
epoll的实现机制与select/poll机制完全不同，上面所说的select的缺点在epoll上不复存在。 epoll的设计和实现select完全不同。
epoll通过在linux内核中申请一个简易的文件系统（文件系统一般用什么数据结构实现？B+树）。把原先的select/poll调用分成了3个部分：
1）调用epoll_create()建立一个epoll对象（在epoll文件系统中为这个句柄对象分配资源）
2）调用epoll_ctl向epoll对象中添加这100万个连接的套接字
3）调用epoll_wait收集发生的事件的连接 如此一来，要实现上面说的场景，只需要在进程启动时建立一个epoll对象，然后在需要的时候向这个epoll对象中添加或者删除连接。
五、异步IO(Asynchronous I/O)
Linux下的asynchronous IO其实用得不多，从内核2.6版本才开始引入。先看一下它的流程：
用户进程发起read操作之后，立刻就可以开始去做其它的事。而另一方面，从kernel的角度，当它受到一个asynchronous read之后，首先它会立刻返回，所以不会对用户进程产生任何block。然后，kernel会等待数据准备完成，然后将数据拷贝到用户内存，当这一切都完成之后（wait data和copy data都完成后），kernel会给用户进程发送一个signal，告诉它read操作完成了。
异步IO具体实现在后面爬虫项目中讲解。
六、IO模型比较分析
1、blocking和non-blocking的区别在哪？
调用blocking IO会一直block住对应的进程直到操作完成，而non-blocking IO在kernel还准备数据的情况下会立刻返回。
2、synchronous IO（同步IO）和asynchronous IO（异步IO）的定义和区别？
Stevens给出的定义（其实是POSIX的定义）是这样子的： A synchronous I/O operation causes the requesting process to be blocked until that I/O operationcompletes; An asynchronous I/O operation does not cause the requesting process to be blocked;
两者的区别就在于synchronous IO做”IO operation”的时候会将process阻塞。按照这个定义，四个IO模型可以分为两大类， 之前所述的blocking IO，non-blocking IO，IO multiplexing都属于synchronous IO这一类，而 asynchronous I/O后一类 。
3、non-blocking IO和asynchronous IO的区别？
有人可能会说，non-blocking IO并没有被block啊。这里有个非常“狡猾”的地方，定义中所指的”IO operation”是指真实的IO操作， 就是例子中的recvfrom这个system call。
non-blocking IO在执行recvfrom这个system call的时候，如果kernel的数据没有准备好， 这时候不会block进程。但是，当kernel中数据准备好的时候，recvfrom会将数据从kernel拷贝到用户内存中，这个时候进程是被block了， 在这段时间内，进程是被block的。
而asynchronous IO则不一样，当进程发起IO 操作之后，就直接返回再也不理睬了，直到kernel发送一个信号， 告诉进程说IO完成。在这整个过程中，进程完全没有被block。
4、各个IO 模型比较如图所示：
经过上面的介绍，会发现non-blocking IO和asynchronous IO的区别还是很明显的。在non-blocking IO中，虽然进程大部分时间都不会被block，但是它仍然要求进程去主动的check，并且当数据准备完成以后，也需要进程主动的再次调用recvfrom来将数据拷贝到用户内存。而asynchronous IO则完全不同。它就像是用户进程将整个IO操作交给了他人（kernel）完成，然后他人做完后发信号通知。在此期间，用户进程不需要去检查IO操作的状态，也不需要主动的去拷贝数据。