基于Python3多进程(多线程)+多协程的数据并发处理模版

图片来源：elenabsl/Shutterstock

---

上一篇文章《基于Python3单进程+多线程+多协程的生产者-消费者模型示例代码》介绍了如何使用Python在单进程的情况下利用协程并发地处理数据，由于Python的GIL，所有代码只利用到了一个CPU核心，无法发挥多核心优势，所以我又做了一个多进程+多协程的模板，这里的代码不涉及具体业务。
代码地址：https://github.com/MacwinWin/multiprocessing_asyncio_data_processing

现状与挑战

以Cpython作为Python解释器时，由于GIL的存在导致：

1. 多线程实际上始终在单核上进行运行，因而不适合进行计算密集型任务；而多线程之间可以共享数据，所以适合进行IO密集型任务；单线程间切换存在性能损耗，大规模并发并不适合多线程；
2. 多进程能有效利用多核的计算优势，因而适合计算密集型任务；但由于Python的多进程是通过启动多个解释器实现的，之间存在数据隔离，因而不适合进行IO密集型任务；
3. 协程是用户态的线程，用户可灵活操作其生命周期，且协程间切换及乎没有性能损耗，更适合大规模并发，但由于GIL限制，所以不适合进行计算密集型任务。

因而，使用Python进行实时大数据规模处理存在挑战。

总览

这里用到的库包括Python3自己的multiprocessing、threading、asyncio以及第三方库aioprocessing¹。

整体架构如下图所示：

详细说明

为了方便介绍代码逻辑，我将项目抽象成了现实世界中的装配工厂。
组织架构如下图所示：

其中四部门为单独的进程，采购员、车间主任、调度员、运维员、副车间主任为线程，主任助理、工人、监工、搬运工、司机为协程。
各部门、岗位职责：

• CEO：
  1. 根据公司资源合理分配给各部门，尤其是产品部，更多的车间意味着更大的产量，但也会消耗更多的资源（CPU 核心）；
  2. 创建车间，为车间分配生产所需的资源；为每一个车间创建一条生产流水线（线程安全的同步队列）；创建一条各车间共享的运输传送带（线程安全的异步队列）
  3. 管理四部门的正常运作
• 采购部：
  • 采购员（一名）：
    1. 购买原材料，并为原材料贴上所属的产品ID标签（一条生产流水线负责多个产品，一个产品可能由多种原材料组成）
    2. 将原材料放在对应的生产流水线上
• 生产部：
  • 0车间：
    • 车间主任（一名）：
      1. 管理主任助理和副主任；
      2. 从生产流水线上取出原材料，根据上面的产品ID标签，在员工花名册上找到所属的员工，与该员工重新续签合同，并登记后交给副主任；
      3. 如果在员工花名册上没有找到所属员工则新招聘一名工人，并与其签订合同；
         （关于合同机制²）
      • 副主任（一名）：
        1. 占有车间一半资源以供其安排生产；
        2. 从主任处获得原材料，放置在对应工人的传送带上；
        3. 仅将资源分配给手中有原材料的工人；
        • 工人（n名）：
          1. 每名工人配有一条传送带，工人从传送带上获取原材料；
          2. 根据产品装配图，对原材料进行处理；
          3. 完成后给产品贴上产品类标签，然后放入运输传送带上；
          4. 每名工人受合同约束；
        • 监工（n名）：
          1. 监工属于公司编制内，没有合同约束，每名监工定时监督一名工人；
      • 主任助理（一名）：
        1. 接受主任的管理，对主任负责；
        2. 定时检查员工花名册
  • 1车间
  • …
  • n车间
• 运输部：
  • 调度员（一名）：
    1. 管理搬运工和司机；
    2. 管理仓库；
    • 搬运工（一名）：
      1. 从运输传送带上获取产品；
      2. 对产品做一些处理，例如包装；
      3. 将产品根据产品类型放在仓库中；
    • 司机（一名）：
      1. 每隔一段时间清空仓库中的产品
• 运维部：
  • 运维员（一名）：
    1. 每隔一段时间巡检一遍生产流水线

使用方式

# build image
>>> docker build -t test:1.0
# run the image as a container
>>> docker run -i -t -d -v $(pwd):/app --name test test:1.0
>>> docker exec -i -t test /bin/bash
>>> python3 ceo.py

测试

在我的MacBook Pro 16, i7 2.6上测试，Docker分配8核8G内存，结果如下图。
可以看到每秒“采购”5000+原材料，在生产流水线上无积压，说明都消耗完，员工花名册总数稳定在5000左右，内存消耗也保持稳定。

但如果在‘采购’时不加限制（无延迟）则会导致原材料数量远超实际产能，原材料大量积压在生产流水线上，严重降低生产流水线性能，车间无法获得足够原材料，导致公司产能大幅下降。

所以最佳方案是根据资源数量（CPU核数）确定车间数量，再合理设置采购速度，使得原材料采购速度与实际产能匹配，生产流水线上不产生积压现象。

结论

通过结合使用Python多进程、多线程、协程的方式，实现了单机4核CPU8G内存下约5000条/s的数据处理速度。如果想实现更大规模的数据处理，可通过增加CPU核数内存数。

计划

1. 持续优化代码，提高速度
2. 添加类型提示（type hints）

---

1. 项目中使用aioprocessing主要是用它的进程间异步队列，该队列汇集各进程的输出结果，但由于整体是由Python实现的，队列性能较差，可考虑替换之。 ↩︎

2. 合同机制：
   该机制保证了工人在一段时间后仍然没有获得新原材料的情况下，判定为订单取消，解雇该名工人，以保证不会存在过多“划水”员工 ↩︎