花下貓語:我“接觸” Python 已有十年了,當初我們要做一個網站,有個學弟只花兩天,就用 Django 開發好了後臺。那是我第一次感受到了 Python 的強大魅力。不過,我正式學習和使用它,才僅有兩年時間……
標題中說的“從業十年”,並不是指我,而是下面文章的作者。像他擁有這麼長的 Python 經驗的程序員並不多見,寫成文章分享出來的就更少見了。所以這篇文章還挺有價值的,內容很豐富,特分享給大家,建議收藏。
原題:Python之路(內容略有調整)
來源:https://laisky.com/p/python-road
一、概述
本文起源於我在 Twitter 上發佈的關於 Python 經歷的一系列話題。
出於某些原因,想記錄一下我過去數年使用 Python 的經驗和一些感悟。 畢竟算是一門把我帶入互聯網行業的語言,而我近期已經幾乎不再寫 Py 代碼, 做一個記錄,也許會對他人起到些微的幫助,也算是紀念與感恩了。
二、摘錄
推文地址:https://twitter.com/ppcelery/status/1159620182089728000
最早接觸 py 是 2010 年左右,那之前主要是使用 c、fortran 和 matlab 做數值運算。當時在做一些文件文本處理時覺得很麻煩,後來看到 NASA 說要用 py 取代 matlab,就去接觸了 py。
python 那極為簡潔與優美的語法給了當時的我極大的震撼,時至今日,寫 py 代碼對我而言依然是一種帶有藝術意味的享受。
首先開宗明義的說一句:python 並不慢,至少不夠慢。拿一個 web 後端來說,一臺垃圾 4 核虛機,跑 4 個同步阻塞的 django,假設 django 上合理利用線程分擔了阻塞操作,假設每節點每秒可以處理 50 個請求(超低估),在白天的 10 小時內就可以處理 720 萬請求。而這種機器跑一天僅需要 20 塊錢。
在學習 Python 以前需要強調的是:基礎語法非常重要。雖然我們都不推崇過多的死記硬背,但是少量必要的死背是以後所有複雜思維活動的基礎,就像五十音對於日語,通假字和常用動名詞對於文言文,你不會就是不行。
一般認為,這包括數據類型(值/引用)、作用域(scope)、keyword、builtin 函數等
關於 Python 版本的選擇,很多公司老項目依然在用 2.6、2.7,新項目的話建議至少選擇 3.6(擁有穩定的 asyncio)。
- 從 2.7 到 3.4 https://blog.laisky.com/p/whats-new-in-python3-4/
- 從 3.4 到 3.5 https://blog.laisky.com/p/whats-new-in-python3-5/
- 從 3.5 到 3.6 https://blog.laisky.com/p/whats-new-in-python3-6/
- 從 3.6 到 3.7 https://docs.python.org/zh-cn/3/whatsnew/3.7.html
關於版本最後在說幾點,建議在本地和服務器上都通過 pyenv 來管理版本,而不要去動系統自帶的 python(以免引起額外的麻煩) https://blog.laisky.com/p/pyenv/
另外一點就是,如果你想寫一個兼容 2、3 的工具包,你可以考慮使用 future http://python-future.org/compatible_idioms.html
最後提醒一下,2to3 這個腳本是有可能出錯的。
學完基礎就可以開始動手寫代碼了,這時候應該謹記遵守一些“通行規範”,幾年前給公司內分享時做過一個摘要:
- 風格指引 https://laisky.github.io/style-guide-cn/style-guides/source-code-style-guides/
- 一些注意事項 https://laisky.github.io/style-guide-cn/style-guides/consensuses/
有了一定的實踐經驗後,你應該學習更多的包來提高自己的代碼水平。
- 值得學習的內建包 https://pymotw.com/3/
- 值得了解的第三方包 https://github.com/vinta/awesome-python
因為 py 的哲學(import this)建議應該有且僅有一個完美的方式做一件事,所以建議優先採用且完善既有項目而不建議過多的造輪子。
一個小插曲,寫這段的 Tim Peters 就是發明 timsort 的那位。
https://en.wikipedia.org/wiki/Tim_Peters_(software_engineer)
有空時候,建議儘可能的完整讀教材和文檔,建立系統性的知識體系,這可以極大的提升你的眼界和思維能力。我自己讀過且覺得值得推薦的針對 py 的書籍有:
- https://docs.python.org/3/
- learning python
- 核心編程
- 改進Python的91個建議
- Python高手之路
- Python源碼剖析
- 數據結構與算法:Python語言描述
如果你真的很喜歡 Python 的話,那我覺得你應該也會喜歡閱讀 PEP,記得幾年前我只要有空就會去翻閱 PEP,這相當於是 Py 的 RFC,裡面記錄了幾乎每一項語法的設計理念與目的。我特別喜歡的 PEP 有:
- 8
- 3148
- 380
- 484 & 3107
- 492: async
- 440
- 3132
- 495 你甚至能學到歷史知識
以前聽別人講過一個比喻,靜態語言是吃冒菜,一次性燙好。而動態語言是涮火鍋,吃一點涮一點。
那麼我覺得,GIL 就是僅有一雙筷子的火鍋,即使你菜很多,一次也只能涮一個。
但是,對於 I/O bound 的操作,你不必一直夾著菜,而是可以夾一些扔到鍋裡,這樣就可以同時涮很多,提高並行效率。
GIL 在一個進程內,解釋器僅能同時解釋執行一條語句,這為 py 提供了天然的語句級線程安全,從很多意義上說,這都極大的簡化了並行編程的難度。對於 I/O 型應用,多線程並不會受到多大影響。對於 CPU 型應用,編寫一個基於 Queue 的多進程 worker 其實也就是幾行的事。
(訂正:應為偽指令級的線程安全)
from time import sleep
from concurrent.futures import ProcessPoolExecutor, wait
from multiprocessing import Manager, Queue
N_PARALLEL = 5
def worker(i: int, q: Queue) -> None:
print(f'worker {i} start')
while 1:
data = q.get()
if data is None: # 採用毒丸(poison pill)方式來結束進程池
q.put(data)
print(f'worker {i} exit')
return
print(f'dealing with data {data}...')
sleep(1)
def main():
executor = ProcessPoolExecutor(max_workers=N_PARALLEL) # 控制併發量
with Manager() as manager:
queue = manager.Queue(maxsize=50) # 控制緩存量
workers = [executor.submit(worker, i, queue) for i in range(N_PARALLEL)]
for i in range(50):
queue.put(i)
print('all task data submitted')
queue.put(None)
wait(workers)
print('all done')
main()
我經常給新人講,是否能謹慎的對待並行編程,是一個區分初級和資深後端開發的分水嶺。業界有一句老話:“沒有正確的並行程序,只有不夠量的並行度”,由此可見並行開發的複雜程度。
我個人認為思考並行時主要是在考慮兩個問題:同步控制和資源用量。
對於同步控制,你在 thread, multiprocessing, asyncio 幾個包裡都會發現一系列的工具:
- Lock 互斥鎖
- RLock 可重入鎖
- Queue 隊列
- Condition 條件鎖
- Event 事件鎖
- Semaphore 信號量
這個就不展開細談了,屬於另一個語言無關的大領域。(以前寫過一個很簡略的簡介:並行編程中的各種鎖(https://blog.laisky.com/p/concurrency-lock/))
對於資源控制,一般來說主要就是兩個地方:
- 緩存區有多大(Queue 長度)
- 併發量有多大(workers 數量)
一般來說,前者直接確定了你內存的消耗量,最好選擇一個恰好或略高於消費量的數。後者一般直接決定了你的 CPU 使用率,過高的併發量會增加切換開銷,得不償失。
既然提到了 workers,稍微簡單展開一下“池”這個概念。我們經常提到線程池、進程池、連接池。說白了就是對於一些可重用的資源,不必每次都創建新的,而是使用完畢後回收留待下一個數據繼續使用。比如你可以選擇不斷地開子線程,也可以選擇預先開好一批線程,然後通過 queue 來不斷的獲取和處理數據。
所以說使用“池”的主要目的就是減少資源的消耗。另一個優點是,使用池可以非常方便的控制併發度(很多新人以為 Queue 是用來控制併發度的,這是錯誤的,Queue 控制的是緩存量)。
對於連接池,還有另一層好處,那就是端口資源是有限的,而且回收端口的速度很慢,你不斷的創建連接會導致端口迅速耗盡。
這裡做一個用語的訂正。Queue 控制的應該是緩衝量(buffer),而不是緩存量(cache)。一般來說,我們習慣上將寫入隊列稱為緩衝,將讀取隊列稱為緩存(有源)。
對前面介紹的 python 中進程/線程做一個小結,線程池可以用來解決 I/O 的阻塞,而進程可以用來解決 GIL 對 CPU 的限制(因為每一個進程內都有一個 GIL)。所以你可以開 N 個(小於等於核數)進程池,然後在每一個進程中啟動一個線程池,所有的線程池都可以訂閱同一個 Queue,來實現真正的多核並行。
非常簡單的描述一下進程/線程,對於操作系統而言,可以認為進程是資源的最小單位(在 PCB 內保存如圖 1 的數據)。而線程是調度的最小單位。同一個進程內的線程共享除棧和寄存器外的所有數據。
所以在開發時候,要小心進程內多線程數據的衝突,也要注意多進程數據間的隔離(需要特別使用進程間通信)
- 操作系統筆記:進程(https://blog.laisky.com/p/os-process/)
- 操作系統筆記:調度(https://blog.laisky.com/p/os-scheduler/)
再簡單的補充一下,進程間通信的手段有:管道、信號、消息隊列、信號量、共享內存和套接字。不過在 Py 裡,單機上最常用的進程間通信就是 multiprocessing 裡的 Queue 和 sharedctypes。
順帶一提,因為 CPython 的 refcnt 機制,所以 COW(copy on write)並不可靠。
人們在見到別人的“錯誤寫法”時,傾向於無視或吐槽諷刺。但是這個行為除了讓自己爽一下外沒有任何意義,不懂的還是不懂,最後真正發揮影響的還是那些能夠描繪一整條學習路徑的方法。
我一直希望能看到一個“樸素誠懇”的切合工程實踐的教程,而不是網上流傳的入門大全和網課兜售騙錢的框架調參速成。
關於進程間的內存隔離,補充一個簡單直觀的例子。可以看到普通變量 normal_v 在兩個子進程內變成了兩個獨立的變量(都輸出 1),而共享內存的 shared_v 仍然是同一個變量,分別輸出了 1 和 2。
from time import sleep
from concurrent.futures import ProcessPoolExecutor, wait
from multiprocessing import Manager, Queue
from ctypes import c_int64
def worker(i, normal_v, shared_v):
normal_v += 1 # 因為進程間內存隔離,所以每個進程都會得到 1
shared_v.value += 1 # 因為使用了共享內存,所以會分別得到 1 和 2
print(f'worker[{i}] got normal_v {normal_v}, shared_v {shared_v.value}')
def main():
executor = ProcessPoolExecutor(max_workers=2)
with Manager() as manager:
lock = manager.Lock()
shared_v = manager.Value(c_int64, 0, lock=lock)
normal_v = 0
workers = [executor.submit(worker, i, normal_v, shared_v) for i in range(2)]
wait(workers)
print('all done')
main()
從過去的工作經驗中,我總結了一個簡單粗暴的規矩:如果你要使用多進程,那麼在程序啟動的時候就把進程池啟動起來,然後需要任何資源都請在進程內自行創建使用。如果有數據需要共享,一定要顯式的採用共享內存或 queue 的方式進行傳遞。
見過太多在進程間共享不該共享的東西而導致的極為詭異的數據行為。
最早,一臺機器從頭到尾只能幹一件事情。
後來,有了分時系統,我們可以開很多進程,同時幹很多事。
但是進程的上下文切換開銷太大,所以又有了線程,這樣一個核可以一直跑一個進程,而僅需要切換進程內子線程的棧和寄存器。
直到遇到了 C10K 問題,人們發覺切換幾萬個線程還是挺重的,是否能更輕?
這裡簡單的展開一下,內存在操作系統中會被劃分為內核態和用戶態兩部分,內核態供內核運行,用戶態供普通的程序用。
應用程序通過系統 API(俗稱 syscall)和內核發生交互。拿常見的 HTTP 請求來說,其實就是一次同步阻塞的 socket 調用,每次調用都會導致線程阻塞等待內核響應(內核陷入)。
而被阻塞的線程就會導致切換的發生。所以自然會問,能不能減少這種切換開銷?換句話說,能不能在一個地方把事情做完,而不要切來切去的。
這個問題有兩個解決思路,一是把所有的工作放進內核去做(略)。
另一個思路就是把儘可能多的工作放到用戶態來做。這需要內核接口提供額外的支持:異步系統調用。
如 socket 這樣的調用就支持非阻塞調用,調用後會拿到一個未就緒的 fp,將這個 fp 交給負責管理 I/O 多路複用的 selector,再註冊好需要監聽的事件和回調函數(或者像 tornado 一樣採用定時 poll),就可以在事件就緒(如 HTTP 請求的返回已就緒)時執行相關函數。
https://github.com/tornadoweb/tornado/blob/f1824029db933d822f5b0d02583e4e6137f2bfd2/tornado/ioloop.py#L746
這樣就可以實現在一個線程內,啟動多個曾經會導致線程被切換的系統調用,然後在一個線程內監聽這些調用的事件,誰先就緒就處理誰,將切換的開銷降到了最小。
有一個需要特別注意的要點,你會發現主線程其實就是一個死循環,所有的調用都發生在這個循環之內。所以,你寫的代碼一定要避免任何阻塞。
聽上去很美好,這是個萬能方案嗎?
很可惜不是的,最直接的一個問題是,並不是所有的 syscall 都提供了異步方法,對於這種調用,可以用線程池進行封裝。對於 CPU 密集型調用,可以用進程池進行封裝,asyncio 裡提供了 executor 和協程進行聯動的方法,這裡提供一個線程池的簡單例子,進程池其實同理。
from time import sleep
from asyncio import get_event_loop, sleep as asleep, gather, ensure_future
from concurrent.futures import ThreadPoolExecutor, wait, Future
from functools import wraps
executor = ThreadPoolExecutor(max_workers=10)
ioloop = get_event_loop()
def nonblocking(func) -> Future:
@wraps(func)
def wrapper(*args):
return ioloop.run_in_executor(executor, func, *args)
return wrapper
@nonblocking # 用線程池封裝沒法協程化的普通阻塞程序
def foo(n: int):
"""假裝我是個很耗時的阻塞調用"""
print('start blocking task...')
sleep(n)
print('end blocking task')
async def coroutine_demo(n: int):
"""我就是個普通的協程"""
# 協程內不能出現任何的阻塞調用,所謂一朝協程,永世協程
# 那我偏要調一個普通的阻塞函數怎麼辦?
# 最簡單的辦法,套一個線程池…
await foo(n)
async def coroutine_demo_2():
print('start coroutine task...')
await asleep(1)
print('end coroutine task')
async def coroutine_main():
"""一般我們會寫一個 coroutine 的 main 函數,專門負責管理協程"""
await gather(
coroutine_demo(1),
coroutine_demo_2()
)
def main():
ioloop.run_until_complete(coroutine_main())
print('all done')
main()
- Python3 asyncio 簡介(https://blog.laisky.com/p/asyncio/)
上面的例子全部都基於 3.7,如果你還在使用 Py2,那麼你也可以通過 gevent、tornado 用上協程。
我個人傾向於 tornado,因為更為白盒,而且寫法和 3 接近,如果你也贊同,那麼可以試試我以前給公司寫的 kipp 庫,基於 tornado 封裝了更多的工具。
https://github.com/Laisky/kipp/blob/2bc5bda6e7f593f89be662f46fed350c9daabded/kipp/aio/__init__.py
Gevent Demo:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
"""
Gevent Pool & Child Tasks
=========================
You can use gevent.pool.Pool to limit the concurrency of coroutines.
And you can create unlimit subtasks in each coroutine.
Benchmark
=========
cost 2.675039052963257s for url http://httpbin.org/
cost 2.66813588142395s for url http://httpbin.org/ip
cost 2.674264907836914s for url http://httpbin.org/user-agent
cost 2.6776888370513916s for url http://httpbin.org/get
cost 3.97711181640625s for url http://httpbin.org/headers
total cost 3.9886841773986816s
"""
import time
import gevent
from gevent.pool import Pool
import gevent.monkey
pool = Pool(10) # set the concurrency limit
gevent.monkey.patch_socket()
try:
import urllib2
except ImportError:
import urllib.request as urllib2
TARGET_URLS = (
'http://httpbin.org/',
'http://httpbin.org/ip',
'http://httpbin.org/user-agent',
'http://httpbin.org/headers',
'http://httpbin.org/get',
)
def demo_child_task():
"""Sub coroutine task"""
gevent.sleep(2)
def demo_task(url):
"""Main coroutine
You should wrap your each task into one entry coroutine,
then spawn its own sub coroutine tasks.
"""
start_ts = time.time()
r = urllib2.urlopen(url)
demo_child_task()
print('cost {}s for url {}'.format(time.time() - start_ts, url))
def main():
start_ts = time.time()
pool.map(demo_task, TARGET_URLS)
print('total cost {}s'.format(time.time() - start_ts))
if __name__ == '__main__':
main()
tornado demo:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
"""
cost 0.5578329563140869s, get http://httpbin.org/get
cost 0.5621621608734131s, get http://httpbin.org/ip
cost 0.5613000392913818s, get http://httpbin.org/user-agent
cost 0.5709919929504395s, get http://httpbin.org/
cost 0.572376012802124s, get http://httpbin.org/headers
total cost 0.5809519290924072s
"""
import time
import tornado
import tornado.web
import tornado.httpclient
TARGET_URLS = [
'http://httpbin.org/',
'http://httpbin.org/ip',
'http://httpbin.org/user-agent',
'http://httpbin.org/headers',
'http://httpbin.org/get',
]
@tornado.gen.coroutine
def demo_hanlder(ioloop):
for i, url in enumerate(TARGET_URLS):
demo_task(url, ioloop=ioloop)
@tornado.gen.coroutine
def demo_task(url, ioloop=None):
start_ts = time.time()
http_client = tornado.httpclient.AsyncHTTPClient()
r = yield http_client.fetch(url)
# r is the response object
end_ts = time.time()
print('cost {}s, get {}'.format(end_ts - start_ts, url))
TARGET_URLS.remove(url)
if not TARGET_URLS:
ioloop.stop()
def main():
start_ts = time.time()
ioloop = tornado.ioloop.IOLoop.instance()
ioloop.add_future(demo_hanlder(ioloop), lambda f: None)
ioloop.start()
# total cost will equal to the longest task
print('total cost {}s'.format(time.time() - start_ts))
if __name__ == '__main__':
main()
kipp demo:
from time import sleep
from kipp.aio import coroutine2, run_until_complete, sleep, return_in_coroutine
from kipp.utils import ThreadPoolExecutor, get_logger
executor = ThreadPoolExecutor(10)
logger = get_logger()
@coroutine2
def coroutine_demo():
logger.info('start coroutine_demo')
yield sleep(1)
logger.info('coroutine_demo done')
yield executor.submit(blocking_func)
return_in_coroutine('yeo')
def blocking_func():
logger.info('start blocking task...')
sleep(1)
logger.info('blocking task return')
return 'hard'
@coroutine2
def coroutine_main():
logger.info('start coroutine_main')
r = yield coroutine_demo()
logger.info('coroutine_demo return: {}'.format(r))
yield sleep(1)
return_in_coroutine('coroutine_main yo')
def main():
f = coroutine_main()
run_until_complete(f)
logger.info('coroutine_main return: {}'.format(f.result()))
if __name__ == '__main__':
main()
使用 tornado 時需要注意,因為它依賴 generator 來模擬協程,所以函數無法返回,只能用 raise gen.Return 來模擬。3.4 裡引入了 yield from 到 3.6 的 async/await 才算徹底解決了這個問題。還有就是小心 tornado 裡的 Future 不是線程安全的。
至於 gevent,容我吐個槽,求別再提 monkey_patch 了…
https://docs.python.org/3/library/asyncio-task.html 官方文檔對於 asyncio 的描述很清晰易懂,推薦一讀。 一個小提示,async 函數被調用後會創建一個 coroutine,這時候該協程並不會運行,需要通過 ensure_future 或 create_task 方法生成 Task 後才會被調度執行。
另外,一個進程內不要創建多個 ioloop。
做一個小結,一個簡單的做法是,啟動程序後,分別創建一個進程池(進程數小於等於可用核數)、線程池和 ioloop,ioloop 負責調度一切的協程,遇到阻塞的調用時,I/O 型的扔進線程池,CPU 型的扔進進程池,這樣代碼邏輯簡單,還能儘可能的利用機器性能。 一個簡單的完整示例:
"""
✗ python process_thread_coroutine.py
[2019-08-11 09:09:37,670Z - INFO - kipp] - main running...
[2019-08-11 09:09:37,671Z - INFO - kipp] - coroutine_main running...
[2019-08-11 09:09:37,671Z - INFO - kipp] - io_blocking_task running...
[2019-08-11 09:09:37,690Z - INFO - kipp] - coroutine_task running...
[2019-08-11 09:09:37,691Z - INFO - kipp] - coroutine_error running...
[2019-08-11 09:09:37,691Z - INFO - kipp] - coroutine_error end, cost 0.00s
[2019-08-11 09:09:37,693Z - INFO - kipp] - cpu_blocking_task running...
[2019-08-11 09:09:38,674Z - INFO - kipp] - io_blocking_task end, cost 1.00s
[2019-08-11 09:09:38,695Z - INFO - kipp] - coroutine_task end, cost 1.00s
[2019-08-11 09:09:39,580Z - INFO - kipp] - cpu_blocking_task end, cost 1.89s
[2019-08-11 09:09:39,582Z - INFO - kipp] - coroutine_main got [None, AttributeError('yo'), None, None]
[2019-08-11 09:09:39,582Z - INFO - kipp] - coroutine_main end, cost 1.91s
[2019-08-11 09:09:39,582Z - INFO - kipp] - main end, cost 1.91s
"""
from time import sleep, time
from asyncio import get_event_loop, sleep as asleep, gather, ensure_future, iscoroutine
from concurrent.futures import ProcessPoolExecutor, ThreadPoolExecutor, wait
from functools import wraps
from kipp.utils import get_logger
logger = get_logger()
N_FORK = 4
N_THREADS = 10
thread_executor = ThreadPoolExecutor(max_workers=N_THREADS)
process_executor = ProcessPoolExecutor(max_workers=N_FORK)
ioloop = get_event_loop()
def timer(func):
@wraps(func)
def wrapper(*args, **kw):
logger.info(f"{func.__name__} running...")
start_at = time()
try:
r = func(*args, **kw)
finally:
logger.info(f"{func.__name__} end, cost {time() - start_at:.2f}s")
return wrapper
def async_timer(func):
@wraps(func)
async def wrapper(*args, **kw):
logger.info(f"{func.__name__} running...")
start_at = time()
try:
return await func(*args, **kw)
finally:
logger.info(f"{func.__name__} end, cost {time() - start_at:.2f}s")
return wrapper
@timer
def io_blocking_task():
"""I/O 型阻塞調用"""
sleep(1)
@timer
def cpu_blocking_task():
"""CPU 型阻塞調用"""
for _ in range(1 << 26):
pass
@async_timer
async def coroutine_task():
"""異步協程調用"""
await asleep(1)
@async_timer
async def coroutine_error():
"""會拋出異常的協程調用"""
raise AttributeError("yo")
@async_timer
async def coroutine_main():
ioloop = get_event_loop()
r = await gather(
coroutine_task(),
coroutine_error(),
ioloop.run_in_executor(thread_executor, io_blocking_task),
ioloop.run_in_executor(process_executor, cpu_blocking_task),
return_exceptions=True,
)
logger.info(f"coroutine_main got {r}")
@timer
def main():
get_event_loop().run_until_complete(coroutine_main())
if __name__ == "__main__":
main()
學到這一步,你已經能夠熟練的運用協程、線程、進程處理不同類型的任務。接著拿上面提到的垃圾 4 核虛機舉例,你現在應該可以比較輕鬆的實現達到 1k QPS 的服務,在白天十小時裡可以處理超過一億請求,費用依然僅 20元/天。你還有什麼藉口說是因為 Python 慢呢?
人們在聊到語言/框架/工具性能時,考慮的是“當程序員儘可能的優化後,工具性能會成為最終的瓶頸,所以我們一定要選一個最快的”。
但事實上是,程序員本身才是性能的最大瓶頸,而工具真正體現出來的價值,是在程序員很爛時,所能提供的兜底性能。
如果你覺得自己並不是那個瓶頸,那也沒必要來聽我講了
在性能優化上有兩句老話:
- 一定要針對瓶頸做優化
- 過早優化是萬惡之源
所以我覺得要開放、冷靜地看待工具的性能。在一套完整的業務系統中,框架工具往往是耗時佔比最低的那個,在擴容、緩存技術如此發達的今天,你已經很難說出工具性能不夠這樣的話了。
成長的空間很大,多在自己身上找原因。
一個經驗觀察,即使在工作中不斷的實際練習,對於異步協程這種全新的思維模式,從學會到能在工作中熟練運用且不犯大錯,比較聰明的人也需要一個月。
換成 go 也不會好很多,await 也能實現同步寫法,而且你依然需要面對我前文提到過的同步控制和資源用量兩個核心問題。
簡單提一下性能分析,py 可以利用 cProfile、line_profiler、memory_profiler、vprof、objgraph 等工具生成耗時、內存佔用、調用關係圖、火焰圖等。
關於性能分析領域的更多方法論和理念,推薦閱讀《性能之巔》(過去做的關於性能之巔的部分摘抄 https://twitter.com/ppcelery/status/1051832271001382912)。
必須強調:優化必須要有足夠的數據支撐,包括優化前和優化後。
性能優化其實是一個非常複雜的領域,雖然上面提到的工具可以生成各式各樣的看上去就很厲害的圖,但是優化不是簡單的你看哪慢就去改哪,而是需要有極其紮實的基礎知識和全局思維的。
而且,上述工具得出的指標,在性能尚未逼近極限時,可能會有相當大的誤導性,使用的時候也要小心。
有一些較為普適的經驗:
- I/O 越少越好,儘量在內存裡完成
- 內存分配越少越好,儘量複用
- 變量儘可能少,gc 友好
- 儘量提高局部性
- 儘量用內建函數,不要輕率造輪子
下列方法如非瓶頸不要輕易用:
- 循環展開
- 內存對齊
- zero copy(mmap、sendfile)
測試是開發人員很容易忽視的一個環節,很多人認為交給 QA 即可,但其實測試也是開發過程中的一個重要組成部分,不但可以提高軟件的交付質量,還可以增進你的代碼組織能力。
最常見的劃分可以稱之為黑盒 & 白盒,前者是隻針對接口行為的測試,後者是深入瞭解實現細節,針對實現方式進行的針對性測試。
對 Py 開發者而言,最簡單實用的工具就是 unitest.TestCase 和 pytest,在包內任何以 test*.py 命名的文件,內含 TestCase 類的以 test* 命名的方法都會被執行。
測試方法也很簡單,你給定入參,然後調用想要測試的函數,然後檢查其返回是否符合需求,不符合就拋出異常。
https://docs.pytest.org/en/latest/
"""
test_demo.py
"""
from unittest import TestCase
from typing import List
def demo(l: List[int]) -> int:
return l[0]
class DemoTestCase(TestCase):
def setUp(self):
print("first run")
def tearDown(self):
print("last run")
def test_demo(self):
data = []
self.assertRaises(IndexError, demo, data)
開始寫測試後,你才會意識到你的很多函數非常難以測試。因為它們可能有嵌套調用,可能有內含狀態,可能有外部依賴等等。
但是需要強調的是,這不但不是不寫測試的理由,這其實正是寫測試的目的!
通過努力地寫測試,會強迫你開始編寫精簡、功能單一、無狀態、依賴注入、避免鏈式調用的函數。
一個簡單直觀的“好壞對比”,鏈式調用的函數很難測試,它內含了太多其他函數的調用,一旦測試就變成了一個“集成測試”。而將其按照步驟一一拆分後,就可以對其進行精細化的“單元測試”,這可以契合你開發的步伐,步步為營穩步推進。
"""
這是很糟糕的鏈式調用
"""
def main():
func1()
def func1():
return func2()
def func2():
return func3()
def func3():
return "shit"
"""
這樣寫會好很多
"""
def step1():
return "yoo"
def step2(v):
return f"hello, {v}"
def step3(v):
return f"you know nothing, {v}"
def main():
r1 = step1()
r2 = step2(r1)
step3(r2)
順帶一提,對於一些無法繞開的外部調用,如網絡請求、數據庫請求。單元測試的準則之一就是“排除一切外部因素”,你不應該發起任何真正的外部調用的,因為這會引入不可控的數據。 正確做法是通過依賴注入 Mock 對象,或者通過 patch 去改寫調用的接口對象。
以前寫過一篇簡介:https://blog.laisky.com/p/unittest-mock/
單元測試應該兼顧黑盒、白盒。你既應該編寫面對接口的案例,也應該儘可能的試探內部的實現路徑(增加覆蓋率)。
你還可以逐漸地把線上遇到的各種 bug 都編寫為案例,這些案例會成為項目寶貴的財富,為迴歸測試提供強有力的支持。而且有這麼多測試案例提供保護,coding 的時候也會安心很多。
在單元測試的基礎上,人們發展出了 TDD,但是在實踐的過程中,發現有些“狡猾的”開發會針對案例的特例進行編程。 為此,人們決定應該拋棄形式,迴歸本源,從方法論的高度來探尋測試的道路。其中光明一方,就是 PBT,試圖通過描述問題的實質,來自動生成測試案例。
一篇簡介:https://blog.laisky.com/p/pbt-hypothesis/
另一個黑暗的方向就是 Fuzzing,它乾脆完全忽略函數的實現,貫徹黑盒到底,通過遺傳算法,隨機的生成入參,以測試到宇宙盡頭的決心,對函數進行死纏爛打,發掘出正常人根本想不到猜不著的犄角旮旯裡的 bug。
閱讀更多 Python貓 的文章