pcz4qfnkl
/
CodePattern
forked from p46318075/CodePattern
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity

feat: 添加对爬虫类Spider的优化，包括引入psutil库来监控CPU和内存使用情况，以及使用tracemalloc库来追踪内存使用。同时，删除了冗余的代码和注释，使代码更加简洁。

Browse Source
dev
Yao 2 months ago
parent e2eab49065
commit b6657bd39e
10 changed files with 580 additions and 552 deletions
Show Stats Download Patch File Download Diff File

76
B 高性能模式/000 普通做法.py
Unescape View File

@ -1,74 +1,22 @@
"""
根据提供的关键词列表，爬取天水市人民政府网站上指定日期内与关键词相关的新闻的标题，并将其存储至数据库中。
考虑到相关因素，因此本代码只爬取前10页的新闻内容，即最多100条新闻作为测试。
此方法为普通做法，即使用requests库通过Post请求爬取网页内容，再使用json提取新闻内容。
注意：本代码中的关键词列表默认为['灾害']，日期范围默认为2018年1月1日至2018年12月31日。
Args:
keywords: 用于搜索新闻的关键词列表
begin_date: 开始日期，用于搜索
end_date: 结束日期，用于搜索
size: 一次请求返回的新闻或政策的最大数量
Examples:
```
main(keywords=['灾害'],
begin_date='2018-01-01',
end_date='2018-12-31',
size=10)
```
"""
import util import util
import logging
from typing import List
import tqdm
@util.timeit
def main(keywords: List[str], begin_date: str, end_date: str, size: int = 10):
"""
爬取与提供的关键词列表相关的新闻.
Args: @util.measure_performance
keywords: 用于搜索新闻的关键词列表 def compute_task():
begin_date: 开始日期，用于搜索 for _ in range(5):
end_date: 结束日期，用于搜索 util.compute_task()
size: 一次请求返回的新闻或政策的最大数量
"""
logging.basicConfig(level=logging.INFO,
format="%(asctime)s - %(levelname)s - %(message)s",
datefmt="%Y-%m-%d %H:%M:%S",
filename='log.txt',
encoding='utf-8')
logging.info("开始运行普通爬取")
spider = util.Spider(keywords=keywords, @util.measure_performance
begin_date=begin_date, def io_task():
end_date=end_date, for url in util.urls:
size=size) util.fetch_url(url)
pbar = tqdm.tqdm(total=size * 10, desc='普通爬取进度', unit='条', ncols=80)
title_list = []
for keyword in keywords:
for current in range(1, 11):
logging.info(f'keyword: {keyword}, current: {current}')
config = spider.get_config(keyword, current)
data = spider.fetch(config)
title_list += spider.parse(data)
pbar.update(size)
spider.save(title_list) def main():
pbar.close() compute_task()
logging.info("爬取完成") io_task()
if __name__ == "__main__": if __name__ == "__main__":
main(keywords=['灾害'], main()
begin_date='2018-01-01',
end_date='2018-12-31',
size=10)

98
B 高性能模式/010 多进程.py
Unescape View File

@ -1,86 +1,34 @@
"""
根据提供的关键词列表，爬取天水市人民政府网站上指定日期内与关键词相关的新闻的标题，并将其存储至数据库中。
考虑到相关因素，因此本代码只爬取前10页的新闻内容，即最多100条新闻作为测试。
此方法为多进程做法，即使用多进程并发爬取网页内容，再使用json提取新闻内容。
注意：本代码中的关键词列表默认为['灾害']，日期范围默认为2018年1月1日至2018年12月31日。
Args:
keywords: 用于搜索新闻的关键词列表
begin_date: 开始日期，用于搜索
end_date: 结束日期，用于搜索
size: 一次请求返回的新闻或政策的最大数量
Examples:
```
main(keywords=['灾害'],
begin_date='2018-01-01',
end_date='2018-12-31',
size=10)
```
"""
import util import util
import logging
from typing import List
import multiprocessing import multiprocessing
import tqdm
lock = multiprocessing.Lock()
@util.timeit
def main(keywords: List[str], begin_date: str, end_date: str, size: int = 10):
"""
爬取与提供的关键词列表相关的新闻.
Args:
keywords: 用于搜索新闻的关键词列表
begin_date: 开始日期，用于搜索
end_date: 结束日期，用于搜索
size: 一次请求返回的新闻或政策的最大数量
"""
logging.basicConfig(level=logging.INFO,
format="%(asctime)s - %(levelname)s - %(message)s",
datefmt="%Y-%m-%d %H:%M:%S",
filename='log.txt',
encoding='utf-8')
logging.info("开始运行普通做法")
spider = util.Spider(keywords=keywords,
begin_date=begin_date,
end_date=end_date,
size=size)
title_list = [] @util.measure_performance
pbar = tqdm.tqdm(total=size * 10, desc='多进程爬取进度', unit='条', ncols=80) def compute_task():
processes = [
multiprocessing.Process(target=util.compute_task) for _ in range(5)
]
for process in processes:
process.start()
for process in processes:
process.join()
with multiprocessing.Pool(processes=5) as pool:
results = []
for keyword in keywords:
for current in range(1, 11):
logging.info(f'keyword: {keyword}, current: {current}')
config = spider.get_config(keyword, current)
results.append(pool.apply_async(spider.fetch, (config, )))
for result in results: @util.measure_performance
data = result.get() def io_task():
title_list += spider.parse(data) processes = [
multiprocessing.Process(target=util.fetch_url, args=(url, ))
for url in util.urls
]
for process in processes:
process.start()
for process in processes:
process.join()
lock.acquire()
pbar.update(size)
lock.release()
spider.save(title_list) def main():
pbar.close() compute_task()
logging.info("爬取完成") io_task()
if __name__ == "__main__": if __name__ == "__main__":
main(keywords=['灾害'], main()
begin_date='2018-01-01',
end_date='2018-12-31',
size=10)

107
B 高性能模式/020 多线程.py
Unescape View File

@ -1,89 +1,52 @@
"""
根据提供的关键词列表，爬取天水市人民政府网站上指定日期内与关键词相关的新闻的标题，并将其存储至数据库中。
考虑到相关因素，因此本代码只爬取前10页的新闻内容，即最多100条新闻作为测试。
此方法为多线程做法，即使用多线程并行爬取网页内容，再使用json提取新闻内容。
注意：本代码中的关键词列表默认为['灾害']，日期范围默认为2018年1月1日至2018年12月31日。
Args:
keywords: 用于搜索新闻的关键词列表
begin_date: 开始日期，用于搜索
end_date: 结束日期，用于搜索
size: 一次请求返回的新闻或政策的最大数量
Examples:
```
main(keywords=['灾害'],
begin_date='2018-01-01',
end_date='2018-12-31',
size=10)
```
"""
from concurrent.futures import ThreadPoolExecutor, as_completed from concurrent.futures import ThreadPoolExecutor, as_completed
import threading import threading
import util import util
import logging
from typing import List
import tqdm
lock = threading.Lock() @util.measure_performance
def compute_task():
threads = [threading.Thread(target=util.compute_task) for _ in range(5)]
for thread in threads:
thread.start()
for thread in threads:
thread.join()
@util.timeit @util.measure_performance
def main(keywords: List[str], begin_date: str, end_date: str, size: int = 10): def compute_task_threadpool():
""" with ThreadPoolExecutor(max_workers=5) as executor:
爬取与提供的关键词列表相关的新闻. tasks = [executor.submit(util.compute_task) for _ in range(5)]
for future in as_completed(tasks):
future.result()
Args:
keywords: 用于搜索新闻的关键词列表
begin_date: 开始日期，用于搜索
end_date: 结束日期，用于搜索
size: 一次请求返回的新闻或政策的最大数量
"""
logging.basicConfig(level=logging.INFO,
format="%(asctime)s - %(levelname)s - %(message)s",
datefmt="%Y-%m-%d %H:%M:%S",
filename='log.txt',
encoding='utf-8')
logging.info("开始运行多线程爬取") @util.measure_performance
def io_task():
threads = [
threading.Thread(target=util.fetch_url, args=(url, ))
for url in util.urls
]
for thread in threads:
thread.start()
for thread in threads:
thread.join()
spider = util.Spider(keywords=keywords,
begin_date=begin_date,
end_date=end_date,
size=size)
pbar = tqdm.tqdm(total=size * 10, desc='多线程爬取进度', unit='条', ncols=80) # 多线程+线程池优化
title_list = [] @util.measure_performance
tasks = [] def io_task_threadpool():
with ThreadPoolExecutor(max_workers=5) as executor: with ThreadPoolExecutor(max_workers=5) as executor:
for keyword in keywords: tasks = [executor.submit(util.fetch_url, url) for url in util.urls]
for current in range(1, 11):
logging.info(f'keyword: {keyword}, current: {current}')
config = spider.get_config(keyword, current)
future = executor.submit(spider.fetch, config)
tasks.append(future)
# 更新进度条
lock.acquire()
pbar.update(size)
lock.release()
for future in as_completed(tasks): for future in as_completed(tasks):
data = future.result() future.result()
title_list += spider.parse(data)
spider.save(title_list) def main():
pbar.close() compute_task()
logging.info("爬取完成") compute_task_threadpool()
io_task()
io_task_threadpool()
if __name__ == "__main__": if __name__ == "__main__":
main(keywords=['灾害'], main()
begin_date='2018-01-01',
end_date='2018-12-31',
size=10)

90
B 高性能模式/030 协程.py
Unescape View File

@ -1,89 +1,21 @@
""" import asyncio
根据提供的关键词列表，爬取天水市人民政府网站上指定日期内与关键词相关的新闻的标题，并将其存储至数据库中。
考虑到相关因素，因此本代码只爬取前10页的新闻内容，即最多100条新闻作为测试。
此方法为协程做法，即使用gevent库通过协程并发爬取网页内容，再使用json提取新闻内容。
注意：本代码中的关键词列表默认为['灾害']，日期范围默认为2018年1月1日至2018年12月31日。
Args:
keywords: 用于搜索新闻的关键词列表
begin_date: 开始日期，用于搜索
end_date: 结束日期，用于搜索
size: 一次请求返回的新闻或政策的最大数量
Examples:
```
main(keywords=['灾害'],
begin_date='2018-01-01',
end_date='2018-12-31',
size=10)
```
"""
import gevent
from gevent import monkey
# 打补丁，使标准库能够与gevent协同工作
monkey.patch_all()
import util import util
import logging
from typing import List
import tqdm
@util.timeit
def main(keywords: List[str], begin_date: str, end_date: str, size: int = 10):
"""
爬取与提供的关键词列表相关的新闻.
Args:
keywords: 用于搜索新闻的关键词列表
begin_date: 开始日期，用于搜索
end_date: 结束日期，用于搜索
size: 一次请求返回的新闻或政策的最大数量
"""
logging.basicConfig(level=logging.INFO,
format="%(asctime)s - %(levelname)s - %(message)s",
datefmt="%Y-%m-%d %H:%M:%S",
filename='log.txt',
encoding='utf-8')
logging.info("开始运行协程爬取")
spider = util.Spider(keywords=keywords,
begin_date=begin_date,
end_date=end_date,
size=size)
pbar = tqdm.tqdm(total=size * 10, desc='协程爬取进度', unit='条', ncols=80) @util.measure_performance_async
title_list = [] async def async_compute_task():
await asyncio.gather(*[util.async_compute_task() for _ in range(5)])
def fetch_and_parse(keyword, current):
logging.info(f'keyword: {keyword}, current: {current}')
config = spider.get_config(keyword, current)
data = spider.fetch(config)
titles = spider.parse(data)
title_list.extend(titles)
pbar.update(size)
jobs = [ @util.measure_performance_async
gevent.spawn(fetch_and_parse, keyword, current) for keyword in keywords async def async_io_task():
for current in range(1, 11) await asyncio.gather(*[util.fetch_url_async(url) for url in util.urls])
]
gevent.joinall(jobs)
spider.save(title_list) def main():
pbar.close() asyncio.run(async_compute_task())
logging.info("爬取完成") asyncio.run(async_io_task())
if __name__ == "__main__": if __name__ == "__main__":
main(keywords=['灾害'], main()
begin_date='2018-01-01',
end_date='2018-12-31',
size=10)

95
B 高性能模式/040 异步.py
Unescape View File

@ -1,85 +1,34 @@
"""
根据提供的关键词列表，爬取天水市人民政府网站上指定日期内与关键词相关的新闻的标题，并将其存储至数据库中。
考虑到相关因素，因此本代码只爬取前10页的新闻内容，即最多100条新闻作为测试。
此方法为多线程做法，即使用异步并行爬取网页内容，再使用json提取新闻内容。
注意：本代码中的关键词列表默认为['灾害']，日期范围默认为2018年1月1日至2018年12月31日。
Args:
keywords: 用于搜索新闻的关键词列表
begin_date: 开始日期，用于搜索
end_date: 结束日期，用于搜索
size: 一次请求返回的新闻或政策的最大数量
Examples:
```
asyncio.run(
main_async(keywords=['灾害'],
begin_date='2018-01-01',
end_date='2018-12-31',
size=10))
```
"""
import asyncio import asyncio
from multiprocessing import Process
from concurrent.futures import ProcessPoolExecutor
import util import util
import logging
from typing import List
import tqdm
@util.timeit_async
async def main_async(keywords: List[str],
begin_date: str,
end_date: str,
size: int = 10):
"""
使用异步方式爬取与提供的关键词列表相关的新闻.
Args: @util.measure_performance
keywords: 用于搜索新闻的关键词列表 def async_compute_task():
begin_date: 开始日期，用于搜索 with ProcessPoolExecutor() as pool:
end_date: 结束日期，用于搜索 futures = [pool.submit(util.compute_task) for _ in range(5)]
size: 一次请求返回的新闻或政策的最大数量 for future in futures:
""" future.result()
logging.basicConfig(level=logging.INFO,
format="%(asctime)s - %(levelname)s - %(message)s",
datefmt="%Y-%m-%d %H:%M:%S",
filename='log.txt',
encoding='utf-8')
logging.info("开始运行异步爬取")
spider = util.Spider(keywords=keywords, @util.measure_performance_async
begin_date=begin_date, async def async_io_task():
end_date=end_date, chunk_size = len(util.urls) // 5
size=size) chunks = [
util.urls[i:i + chunk_size]
for i in range(0, len(util.urls), chunk_size)
]
pbar = tqdm.tqdm(total=size * 10, desc='异步爬取进度', unit='条', ncols=80) for chunk in chunks:
title_list = [] tasks = [util.fetch_url_async(url) for url in chunk]
tasks = [] await asyncio.gather(*tasks)
for keyword in keywords:
for current in range(1, 11):
logging.info(f'keyword: {keyword}, current: {current}')
config = spider.get_config(keyword, current)
task = asyncio.create_task(spider.fetch_async(config))
tasks.append(task)
for task in asyncio.as_completed(tasks):
data = await task
title_list += spider.parse(data)
pbar.update(size)
spider.save(title_list) def main():
pbar.close() # async_compute_task()
logging.info("爬取完成") asyncio.run(async_io_task())
if __name__ == "__main__": if __name__ == "__main__":
asyncio.run( main()
main_async(keywords=['灾害'],
begin_date='2018-01-01',
end_date='2018-12-31',
size=10))

17
B 高性能模式/os 机制.md
Unescape View File

@ -0,0 +1,17 @@
段：存放的是全局变量和静态变量
栈：系统自动分配释放，函数参数值，局部变量，返回地址等在此
堆：存放动态分配的数据，由开发人员自行管理
进程表会记录进程在内存的位置，PID 是多少，以及当前什么状态，内存给它分配了多大使用空间以及属于哪个用户
每个用户态线程通过系统调用创建一个绑定的内核线程，Windows NT 即采用这种模型 ；
n 个用户态线程对应 m 个内核态线程。m 通常设置为核数，Linux 即采用的这种模型
在 Linux 中，操作系统采用虚拟内存管理技术，使得进程都拥有独立的虚拟内存空间，理由也比较直接，物理内存不够用且不安全(用户不能直接访问物理内存)。Linux 内核看来只有进程而没有线程。Linux所谓的线程其实是与其他进程共享资源的轻量级进程。为什么说是轻量级呢？在于它只有一个执行上下文和调度程序所需的信息，与父进程共享进程地址空间 。
虚拟内存技术，把进程虚拟地址空间划分成用户空间和内核空间。
在 32 位的操作系统中，4GB 的进程地址空间分为，用户空间和内核空间，用户空间为 0～3G，内核地址空间占据 3～4G，
用户不能直接操作内核空间虚拟地址，只有通过系统调用的方式访问内核空间。
线程共享虚拟内存和全局变量等资源，线程拥有自己的私有数据比如栈和寄存器。

270
B 高性能模式/readme.md
Unescape View File

@ -1,25 +1,269 @@
# 目标 # 目标
本节使用一个爬虫任务来展示如何追求代码的性能 。 本节使用一个爬虫任务和计算任务来展示如何追求代码的性能 。
充分理解线程、协程、进程、同步、异步、阻塞、非阻塞等概念，并能够根据具体场景选择合适的并发模型。 充分理解线程、协程、进程、同步、异步、阻塞、非阻塞等概念，并能够根据具体场景选择合适的并发模型。
主线问题：如何解决IO和计算速度不匹配、如何任务分解、分发和协作 。 主线问题：如何解决IO和计算速度不匹配、如何任务分解、分发和协作 。
# 任务 # 任务
## 1、CPU密集型/计算密集型：
  将```sum(i * i for i in range(10**8))```作为一个子任务，运行5次，分别使用单线程、多线程、多进程、多协程、异步等方式，并对比运行时间、内存使用、CPU使用等指标。
## 2、IO密集型：
# 讨论分析 # 讨论分析
普通做法连续进行了五次测试，时间分别为34.231s、34.091s、34.164s、34.226s、33.958s，平均时间为34.134s ## 1、CPU密集型/计算密集型：
多进程（进程数=5）连续进行了五次测试，时间分别为7.719s、7.716s、7.690s、7.730s、7.711s，平均时间为7.7132s   为控制变量，代码在同一台设备上运行，且关闭其他进程，保证CPU资源不被其他进程占用。测试结果如下：
多线程（线程数=5）连续进行了五次测试，时间分别为7.185s、7.964s、6.983s、6.969s、7.035s，平均时间为7.2272s
协程连续进行了五次测试，时间分别为3.775s、3.807s、3.733s、3.824s、3.744s，平均时间为3.776s ### 普通做法：
异步连续进行了五次测试，时间分别为6.975s、7.675s、7.018s、7.032s、7.049s，平均时间为7.1498s #### 运行前：
注：为保证公平性，每一次Post请求后休眠3秒   CPU使用率：0.0%，内存使用率：53.3%
可以看出，协程的性能最好，普通做法的性能最差，多线程、多进程和异步的性能介于两者之间。 #### 运行后：
考虑到多进程和多线程是故意开的5个进程和线程，而协程是单线程，所以协程的性能最好。   CPU使用率：0.6%，内存使用率：53.0%，内存使用：0.003336MB，峰值内存使用：0.004216MB，单个子任务运行平均时间：7.86s，总运行时间：39.31s
另外，异步的性能最差，可能是由于异步的并发模型需要频繁地切换线程，导致性能下降。
总的来说，协程的性能最好，多线程和多进程的性能介于两者之间，普通做法的性能最差。 #### 运行结束30秒后：
  CPU使用率：0.6%，内存使用率：53.0%
### 多进程：
#### 运行前：
  CPU使用率：0.0%，内存使用率：52.8%
#### 运行后：
  CPU使用率：1.3%，内存使用率：52.9%，内存使用：0.096089MB，峰值内存使用：0.121865MB，单个子任务运行平均时间：0.654s，总运行时间：1.86s
#### 运行结束30秒后：
  CPU使用率：0.6%，内存使用率：52.7%
### 多线程：
#### 运行前：
  CPU使用率：3.8%，内存使用率：53.1%
#### 运行后：
  CPU使用率：3.6%，内存使用率：53.1%，内存使用：0.001472MB，峰值内存使用：0.019296MB，单个子任务运行平均时间：38.89s，总运行时间：39.77s
#### 运行结束30秒后：
  CPU使用率：0.7%，内存使用率：52.9%
### 多线程 + 线程池：
#### 运行前：
  CPU使用率：0.0%，内存使用率：52.9%
#### 运行后：
  CPU使用率：0.7%，内存使用率：53.1%，内存使用：0.000952MB，峰值内存使用：0.036604MB，单个子任务运行平均时间：40.49s，总运行时间：41.16s
#### 运行结束30秒后：
  CPU使用率：0.6%，内存使用率：52.9%
### 多协程：
#### 运行前：
  CPU使用率：1.1%，内存使用率：53.4%
#### 运行后：
  CPU使用率：0.2%，内存使用率：53.4%，内存使用：0.009448MB，峰值内存使用：0.011027MB，单个子任务运行平均时间：9.14s，总运行时间：45.70s
#### 运行结束30秒后：
  CPU使用率：0.6%，内存使用率：53.4%
### 多进程 + 异步：
#### 运行前：
  CPU使用率：0.8%，内存使用率：54.9%
#### 运行后：
  CPU使用率：0.6%，内存使用率：54.9%，内存使用：0.123481MB，峰值内存使用：0.188774MB，单个子任务运行平均时间：0.63s，总运行时间：1.85s
#### 运行结束30秒后：
  CPU使用率：0.9%，内存使用率：55.0%
## 2、IO密集型：
  为控制变量，代码在同一台设备上运行，关闭其他进程，并在相同的网络环境下运行，保证网络资源不被其他进程占用。
### 普通做法：
#### 运行前：
  CPU使用率：0.0%，内存使用率：52.5%
#### 运行后：
  CPU使用率：0.9%，内存使用率：52.6%，内存使用：0.074968MB，峰值内存使用：4.162339MB，总运行时间：5.56s
#### 运行结束30秒后：
  CPU使用率：0.6%，内存使用率：52.5%
### 多进程：
#### 运行前：
  CPU使用率：0.0%，内存使用率：52.7%
#### 运行后：
  CPU使用率：5.0%，内存使用率：52.8%，内存使用：0.03219MB，峰值内存使用：0.085236MB，总运行时间：5.81s
#### 运行结束30秒后：
  CPU使用率：1.2%，内存使用率：53.1%
### 多线程：
#### 运行前：
  CPU使用率：0.0%，内存使用率：52.9%
#### 运行后：
  CPU使用率：0.1%，内存使用率：53.0%，内存使用：MB，峰值内存使用：MB，总运行时间：1.63s
#### 运行结束30秒后：
  CPU使用率：0.5%，内存使用率：52.9%
### 多线程 + 线程池：
#### 运行前：
  CPU使用率：1.3%，内存使用率：53.2%
#### 运行后：
  CPU使用率：1.3%，内存使用率：53.1%，内存使用：0.092493MB，峰值内存使用：4.371028MB，总运行时间：1.47s
#### 运行结束30秒后：
  CPU使用率：0.8%，内存使用率：53.2%
### 多协程：
#### 运行前：
  CPU使用率：1.1%，内存使用率：54.4%
#### 运行后：
  CPU使用率：0.8%，内存使用率：54.4%，内存使用：0.753684MB，峰值内存使用：15.09151MB，总运行时间：1.45s
#### 运行结束30秒后：
  CPU使用率：0.8%，内存使用率：54.4%
### 多进程 + 异步：
#### 运行前：
  CPU使用率：1.5%，内存使用率：60.0%
#### 运行后：
  CPU使用率：0.8%，内存使用率：59.8%，内存使用：0.569592MB，峰值内存使用：6.360097MB，总运行时间：7.40s
#### 运行结束30秒后：
  CPU使用率：1.3%，内存使用率：59.6%
# 总结 # 总结
协程的性能最好，多线程和多进程的性能介于两者之间，普通做法的性能最差。 ## 1、CPU密集型/计算密集型：
| | 普通做法 | 多进程 | 多线程 | 多线程+线程池 | 多协程 | 多进程+异步 |
| :----------------------: | :--------: | :--------: | :--------: | :-----------: | :--------: | :---------: |
| 运行前CPU使用率 | 0.0% | 0.0% | 3.8% | 0.0% | 1.1% | 0.8% |
| 运行后CPU使用率 | 0.6% | 1.3% | 3.6% | 0.7% | 0.2% | 0.6% |
| 运行结束30秒后CPU使用率 | 0.6% | 0.6% | 0.7% | 0.6% | 0.6% | 0.9% |
| 运行前内存使用率 | 53.3% | 52.8% | 53.1% | 52.9% | 53.4% | 54.9% |
| 运行后内存使用率 | 53.0% | 52.9% | 53.1% | 53.1% | 53.4% | 54.9% |
| 运行结束30秒后内存使用率 | 53.0% | 52.7% | 52.9% | 52.9% | 53.4% | 55.0% |
| 内存使用 | 0.003336MB | 0.096089MB | 0.001472MB | 0.000952MB | 0.009448MB | 0.123481MB |
| 峰值内存使用 | 0.004216MB | 0.121865MB | 0.019296MB | 0.036604MB | 0.011027MB | 0.188774MB |
| 单个子任务运行平均时间 | 7.86s | 0.654s | 38.89s | 40.49s | 9.14s | 0.63s |
| 总运行时间 | 39.31s | 1.86s | 39.77s | 41.16s | 45.70s | 1.85s |
  根据表格中的数据，我们可以对不同的并发和并行编程方法进行详细的总结：
### 普通做法
- **CPU使用率**：在任务运行前、运行后和运行结束30秒后的CPU使用率都较低，表明普通做法没有充分利用CPU资源。
- **内存使用率**：内存使用率变化不大，表明普通做法对内存的影响较小。
- **内存使用**：内存使用量和峰值内存使用量都很低。
- **运行时间**：单个子任务和总任务的运行时间都较长，表明普通做法效率较低。
### 多进程
- **CPU使用率**：在任务运行后CPU使用率显著增加，表明多进程方法能够充分利用多核CPU的优势。
- **内存使用率**：内存使用率略有增加，但变化不大。
- **内存使用**：内存使用量和峰值内存使用量较高，表明多进程方法对内存的需求较大。
- **运行时间**：单个子任务和总任务的运行时间都显著减少，表明多进程方法在处理CPU密集型任务时效率最高。
### 多线程
- **CPU使用率**：在任务运行前、运行后和运行结束30秒后的CPU使用率都较低，表明多线程方法没有充分利用CPU资源。
- **内存使用率**：内存使用率变化不大。
- **内存使用**：内存使用量和峰值内存使用量较低。
- **运行时间**：单个子任务和总任务的运行时间都较长，表明多线程方法在处理CPU密集型任务时效率较低。
### 多线程+线程池
- **CPU使用率**：在任务运行后CPU使用率略有增加，但变化不大。
- **内存使用率**：内存使用率变化不大。
- **内存使用**：内存使用量和峰值内存使用量较低。
- **运行时间**：单个子任务和总任务的运行时间都较长，表明多线程+线程池方法在处理CPU密集型任务时效率较低。
### 多协程
- **CPU使用率**：在任务运行前、运行后和运行结束30秒后的CPU使用率都较低，表明多协程方法没有充分利用CPU资源。
- **内存使用率**：内存使用率变化不大。
- **内存使用**：内存使用量和峰值内存使用量较低。
- **运行时间**：单个子任务和总任务的运行时间都较长，表明多协程方法在处理CPU密集型任务时效率较低。
### 多进程+异步
- **CPU使用率**：在任务运行后CPU使用率显著增加，表明多进程+异步方法能够充分利用多核CPU的优势。
- **内存使用率**：内存使用率略有增加，但变化不大。
- **内存使用**：内存使用量和峰值内存使用量较高，表明多进程+异步方法对内存的需求较大。
- **运行时间**：单个子任务和总任务的运行时间都显著减少，表明多进程+异步方法在处理CPU密集型任务时效率最高。
### 结论
- **多进程**和**多进程+异步**方法在处理CPU密集型任务时效率最高，能够充分利用多核CPU的优势，但对内存的需求较大。
- **多线程**和**多线程+线程池**方法在处理CPU密集型任务时效率较低，主要是由于Python的全局解释器锁（GIL）的存在，无法实现真正的并行。
- **多协程**方法在处理CPU密集型任务时效率较低，但在处理I/O密集型任务时可能会有更好的表现。
- **普通做法**效率最低，无法充分利用系统资源。
## 2、IO密集型：
| | 普通做法 | 多进程 | 多线程 | 多线程+线程池 | 多协程 | 多进程+异步 |
| :----------------------: | :--------: | :--------: | :----: | :-----------: | :--------: | :---------: |
| 运行前CPU使用率 | 0.0% | 0.0% | 0.0% | 1.3% | 1.1% | 1.5% |
| 运行后CPU使用率 | 0.9% | 5.0% | 0.1% | 1.3% | 0.8% | 0.8% |
| 运行结束30秒后CPU使用率 | 0.6% | 1.2% | 0.5% | 0.8% | 0.8% | 1.3% |
| 运行前内存使用率 | 52.5% | 52.7% | 52.9% | 53.2% | 54.4% | 60.0% |
| 运行后内存使用率 | 52.6% | 52.8% | 53.0% | 53.1% | 54.4% | 59.8% |
| 运行结束30秒后内存使用率 | 52.5% | 53.1% | 52.9% | 53.2% | 54.4% | 59.6% |
| 内存使用 | 0.074968MB | 0.03219MB | N/A | 0.092493MB | 0.753684MB | 0.569592MB |
| 峰值内存使用 | 4.162339MB | 0.085236MB | N/A | 4.371028MB | 15.09151MB | 6.360097MB |
| 总运行时间 | 5.56s | 5.81s | 1.63s | 1.47s | 1.45s | 7.40s |
  根据表格中的数据，我们可以对不同的并发和并行编程方法进行详细的总结：
### 普通做法
- **CPU使用率**：在任务运行前、运行后和运行结束30秒后的CPU使用率都较低，表明普通做法没有充分利用CPU资源。
- **内存使用率**：内存使用率变化不大，表明普通做法对内存的影响较小。
- **内存使用**：内存使用量和峰值内存使用量都很低。
- **运行时间**：总运行时间为5.56秒，表明普通做法效率较低。
### 多进程
- **CPU使用率**：在任务运行后CPU使用率显著增加，表明多进程方法能够充分利用多核CPU的优势。
- **内存使用率**：内存使用率略有增加，但变化不大。
- **内存使用**：内存使用量和峰值内存使用量较低。
- **运行时间**：总运行时间为5.81秒，略高于普通做法，表明多进程方法在处理IO密集型任务时效率较高。
### 多线程
- **CPU使用率**：在任务运行前、运行后和运行结束30秒后的CPU使用率都较低，表明多线程方法没有充分利用CPU资源。
- **内存使用率**：内存使用率变化不大。
- **内存使用**：内存使用量和峰值内存使用量较低。
- **运行时间**：总运行时间为1.63秒，显著低于普通做法，表明多线程方法在处理IO密集型任务时效率较高。
### 多线程+线程池
- **CPU使用率**：在任务运行后CPU使用率略有增加，但变化不大。
- **内存使用率**：内存使用率变化不大。
- **内存使用**：内存使用量和峰值内存使用量较低。
- **运行时间**：总运行时间为1.47秒，显著低于普通做法，表明多线程+线程池方法在处理IO密集型任务时效率较高。
### 多协程
- **CPU使用率**：在任务运行前、运行后和运行结束30秒后的CPU使用率都较低，表明多协程方法没有充分利用CPU资源。
- **内存使用率**：内存使用率变化不大。
- **内存使用**：内存使用量和峰值内存使用量较高。
- **运行时间**：总运行时间为1.45秒，显著低于普通做法，表明多协程方法在处理IO密集型任务时效率较高。
### 多进程+异步
- **CPU使用率**：在任务运行后CPU使用率显著增加，表明多进程+异步方法能够充分利用多核CPU的优势。
- **内存使用率**：内存使用率略有增加，但变化不大。
- **内存使用**：内存使用量和峰值内存使用量较高。
- **运行时间**：总运行时间为7.40秒，略高于普通做法，表明多进程+异步方法在处理IO密集型任务时效率较低。
### 结论
- **多线程**、**多线程+线程池**和**多协程**方法在处理IO密集型任务时效率最高，能够显著减少总运行时间。
- **多进程**方法在处理IO密集型任务时效率较高，但略低于多线程和多协程方法。
- **多进程+异步**方法在处理IO密集型任务时效率较低，总运行时间较长。
- **普通做法**效率最低，无法充分利用系统资源。
<style>
h1{font:20pt "SimHei", sans-serif;}
h2{font:16pt "SimHei", sans-serif;}
p{font:12pt "SimSun", sans-serif;line-height:150%}
li{font:12pt "SimSun", sans-serif;line-height:150%}
</style>

271
B 高性能模式/util.py
Unescape View File

@ -1,188 +1,107 @@
"""
"""
import re
import time import time
import functools import psutil
import json import tracemalloc
import asyncio
import requests import requests
from typing import Any, Dict, List import aiohttp
class Spider: def compute_task():
""" start_time = time.time()
爬虫类。 result = sum(i * i for i in range(10**7))
end_time = time.time()
Args: print(f"compute_task耗时：{end_time - start_time}秒")
keywords (List[str]): 用于搜索新闻的关键词列表
begin_date (str): 开始日期，用于搜索
end_date (str): 结束日期，用于搜索 async def async_compute_task():
size (int): 一次请求返回的新闻或政策的最大数量 start_time = time.time()
result = sum(i * i for i in range(10**7))
Attributes: end_time = time.time()
URL (str): 网址 print(f"async_compute_task耗时：{end_time - start_time}秒")
"""
# 天水市人民政府网站
URL = ('https://www.tianshui.gov.cn/aop_component/'
'/webber/search/search/search/queryPage')
def __init__(self, keywords: List[str], begin_date: str, end_date: str,
size: int):
self.keywords = keywords
self.begin_date = begin_date
self.end_date = end_date
self.size = size
def get_config(self, keyword: str, current: int) -> Dict[str, Any]:
"""
获取配置信息。
Args:
keyword (str): 关键词
size (int): 一次请求返回的新闻的最大数量
Returns:
Dict[str, Any]: 配置信息
"""
return {
"aliasName": "article_data,open_data,mailbox_data,article_file",
"keyWord": keyword,
"lastkeyWord": keyword,
"searchKeyWord": False,
"orderType": "score",
"searchType": "text",
"searchScope": "3",
"searchOperator": 0,
"searchDateType": "custom",
"searchDateName": f"{self.begin_date}-{self.end_date}",
"beginDate": self.begin_date,
"endDate": self.end_date,
"showId": "c2ee13065aae85d7a998b8a3cd645961",
"auditing": ["1"],
"owner": "1912126876",
"token": "tourist",
"urlPrefix": "/aop_component/",
"page": {
"current": current,
"size": self.size,
"pageSizes": [2, 5, 10, 20, 50, 100],
"total": 0,
"totalPage": 0,
"indexs": []
},
"advance": False,
"advanceKeyWord": "",
"lang": "i18n_zh_CN"
}
def generate_headers(self) -> dict:
"""
生成请求头。
Returns:
dict: 请求头
"""
return {
'Authorization':
'tourist',
'User-Agent':
('Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit'
'/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari'
'/537.36 Edg/124.0.0.0')
}
def fetch(self, config: Dict[str, Any]) -> Dict[str, Any]:
"""
普通做法。
Post请求获取网页内容，并返回请求结果。
Args:
config (Dict[str, Any]): 配置信息
Returns:
Dict[str, Any]: 请求结果
"""
response = requests.post(self.URL,
headers=self.generate_headers(),
json=config).text
time.sleep(3)
return json.loads(response)
async def fetch_async(self, config: Dict[str, Any]) -> Dict[str, Any]:
"""
异步做法。
Post请求获取网页内容，并返回请求结果。
Args:
config (Dict[str, Any]): 配置信息
Returns:
Dict[str, Any]: 请求结果
"""
response = requests.post(self.URL,
headers=self.generate_headers(),
json=config).text
await asyncio.sleep(3)
return json.loads(response)
def parse(self, data: Dict[str, Any]) -> List[str]:
"""
解析网页内容。
Args:
data (Dict[str, Any]): 网页内容
Returns:
List[str]: 标题列表
"""
title_list = []
records = data['data']['page']['records']
for i in range(self.size):
title = records[i]['title']
title = re.sub('<[^>]*>', '', title) # 去除html标签
title_list.append(title)
# print(title)
return title_list
def save(self, title_list: List[str]):
"""
保存数据。
"""
pass
# 时间装饰器
def timeit(func):
"""
计算函数运行时间。
Args:
func: 函数
Return:
函数
"""
def wrapper(*args, **kwargs):
start = time.time()
result = func(*args, **kwargs)
print(f'{func.__name__} cost: {time.time() - start}') def measure_performance(func):
return result
def wrapper(*args, **kwargs):
print(f"开始运行{func.__name__}")
time.sleep(30)
print(f"运行前的CPU使用率：{psutil.cpu_percent()}%")
print(f"运行前的内存使用率：{psutil.virtual_memory().percent}%")
print()
tracemalloc.start()
start_time = time.time()
func(*args, **kwargs)
end_time = time.time()
current, peak = tracemalloc.get_traced_memory()
tracemalloc.stop()
print(f"{func.__name__}耗时：{end_time - start_time}秒")
print(f"当前内存使用：{current / 10**6}MB, 峰值内存使用：{peak / 10**6}MB")
print(f"CPU使用率：{psutil.cpu_percent(interval=1)}%")
print(f"内存使用率：{psutil.virtual_memory().percent}%")
print()
time.sleep(30)
print(f"运行结束30秒后的CPU使用率：{psutil.cpu_percent()}%")
print(f"运行结束30秒后的内存使用率：{psutil.virtual_memory().percent}%")
print(f"运行结束{func.__name__}结束")
print()
return wrapper return wrapper
def timeit_async(func): def measure_performance_async(func):
@functools.wraps(func)
async def wrapper(*args, **kwargs): async def wrapper(*args, **kwargs):
start = time.time() print(f"开始运行{func.__name__}")
result = await func(*args, **kwargs)
time.sleep(30)
print(f'{func.__name__} cost: {time.time() - start}') print(f"运行前的CPU使用率：{psutil.cpu_percent()}%")
return result print(f"运行前的内存使用率：{psutil.virtual_memory().percent}%")
print()
tracemalloc.start()
start_time = time.time()
await func(*args, **kwargs)
end_time = time.time()
current, peak = tracemalloc.get_traced_memory()
tracemalloc.stop()
print(f"{func.__name__}耗时：{end_time - start_time}秒")
print(f"当前内存使用：{current / 10**6}MB, 峰值内存使用：{peak / 10**6}MB")
print(f"CPU使用率：{psutil.cpu_percent(interval=1)}%")
print(f"内存使用率：{psutil.virtual_memory().percent}%")
print()
time.sleep(30)
print(f"运行结束30秒后的CPU使用率：{psutil.cpu_percent()}%")
print(f"运行结束30秒后的内存使用率：{psutil.virtual_memory().percent}%")
return wrapper return wrapper
def fetch_url(url):
response = requests.get(url)
async def fetch_url_async(url):
async with aiohttp.ClientSession() as session:
async with session.get(url, ssl=False) as response:
await response.read()
urls = [
"https://www.baidu.com", "https://www.qq.com", "https://www.taobao.com",
"https://www.tmall.com", "https://www.jd.com", "https://www.sina.com.cn",
"https://www.weibo.com", "https://www.163.com", "https://www.sohu.com",
"https://www.ifeng.com", "https://www.alipay.com", "https://www.youku.com",
"https://www.iqiyi.com", "https://www.tudou.com", "https://www.douyin.com",
"https://www.meituan.com", "https://www.xiaomi.com",
"https://www.oppo.com", "https://www.vivo.com", "https://www.dianping.com",
"https://www.autohome.com.cn", "https://www.hupu.com",
"https://www.xinhuanet.com", "https://www.chinadaily.com.cn",
"https://www.people.com.cn", "https://www.cctv.com", "https://www.cntv.cn",
"https://www.zol.com.cn", "https://www.pconline.com.cn",
"https://www.techweb.com.cn", "https://www.cs.com.cn",
"https://www.eastmoney.com", "https://www.hexun.com",
"https://www.yicai.com", "https://www.21jingji.com"
]

54
B 高性能模式/概念.md
Unescape View File

@ -0,0 +1,54 @@
## 进程、线程、协程
运行一个软件就是开了一个进程
一个游戏，启动后为一个进程
但一个游戏需要图形渲染，联网
操作能同时运行
所以将其各个部分设计为线程
即一个进程有多个线程
从操作系统层面而言
进程是分配资源的基本单位
进程之间是独立的
一个进程无法访问另一个进程的空间
一个进程运行的失败也不会影响其他进程的运行
一个进程内可以包含多个线程
线程是程序执行的基本单位，是进程中的实际运作单位
线程是操作系统分配处理器时间的基本单元
线程之间没有单独的地址空间，一个线程死掉就等于整个进程死掉
协程运行在线程之上
协程的调度完全由用户控制，协程拥有自己的寄存器上下文和栈
## 并发/并行
【顺序】 你做作业，然后看综艺，
【并发】 你写程序到一半，综艺开始，看完综艺后继续写程序。两件事情都处于启动状态
？并发把CPU运行划分成若干个时间段，在一个时间段线程代码运行时，其他线程挂起状态
【并行】 你写程序到一半，综艺开始，你一边做作业一边写程序。两件事情同时做
## 阻塞/非阻塞
等候消息的过程中有没有干其他事
“阻塞”是不能
## 同步异步
指的是消息通知的机制
主动听消息则为同步(一直等,轮流取)、被动听消息则为异步
异步过程调用发出后，可以继续执行其它操作
通知调用者的三种方式，如下
状态：即监听被调用者的状态（轮询），调用者没隔一段时间检查一次，效率会很低。
通知：当被调用者执行完成后，发出通知告知调用者，无需消耗太多性能。
回调：与通知类似，当被调用者执行完成后，会调用调用者提供的回调函数。
老张要做两件事：烧水，看电视
同步阻塞：老张烧水，等水开，然后看电视
同步非阻塞：老张烧水，去客厅看电视，时不时去看看水开了没有(检查状态)
老张买了把水开之后会提示音的水壶。
异步阻塞：老张烧水，然后坐在旁边等着听那个烧开的提示音。（异步阻塞）
异步非阻塞：老张烧水，去客厅看电视，水壶响之前不再去看它了，响了再去拿壶。（异步非阻塞）
实现异步可以采用多线程技术或则交给另外的进程来处理
如果老张委派小张去烧水，自己看电视，那就是并行

54
B 高性能模式/进程、线程、协程.md
Unescape View File

@ -0,0 +1,54 @@
Python中多进程、多线程、协程区别和应用场景
多任务简单地说，就是操作系统可以同时运行多个任务。分为并行和并发两种。
并行：指的是任务数小于等于CPU核数，即任务真的是一起执行的
并发：指的是实际上一个时间只有一个任务在执行，那效率是怎么提升的？常常程序运行的时候，需要等待IO操作，比如访问数据库，等待网络服务器回传数据 。这个时候并发切换到其它任务就能节省时间了。
进程是资源分配的单位
线程是操作系统调度的单位
进程切换需要的资源大
线程切换需要的资源小
协程切换任务资源很小，协程是在一个线程中所以是并发
IO密集型指的是系统的CPU性能相对硬盘、内存要好很多，此时，系统运作，大部分的状况是CPU在等I/O (硬盘/内存) 的读/写操作，此时CPU Loading并不高。这可能是因为任务本身不太需要访问I/O设备。
并行做i/o操作，多线程好些。简单的异步操作，用协程
进程：进程是并行。没有运行的代码叫程序,运行的程序或代码就是一个进程。进程是系统进行资源分配的最小单位，进程拥有自己的内存空间，所以进程间数据不共享。多进程适合计算密集型任务
通常我们所说的电脑配置几核就是最大可以创建的进程，注意因为电脑会切换进程，所以看起来电脑会同时运行的进程数会超过核数
数据无法内存共享。各个进程之间无影响，更稳定和安全，不因个别崩溃而整个系统崩溃。
当需要创建的子进程数量巨大时，就可以用到multiprocessing模块提供的Pool方法
进程是通过Queue实现多进程之间的数据传递，Queue本身是一个消息队列程序。
线程：线程是并发。 一个进程至少有一个线程，叫主线程，多个线程共享内存（数据和全局变量共享）。
多线程适合 IO 密集型操作 。
缺点就是，如果多个线程同时对同一个全局变量操作，会出现资源竞争问题，从而数据结果会不正确
当多个线程几乎同时修改某个共享数据的时候，需要进行同步控制。
某个线程要更改共享数据时，先将其锁定，此时资源的状态为“锁定”，其他线程不能更改；直到该线程释放资源，将资源的状态变成“非锁定”，其他的线程才能再次锁定该资源。互斥锁保证了每次只有一个线程进行写入操作，从而保证了多线程情况下数据的正确性。
如果两个线程分别占有一部分资源并且同时等待对方的资源，就会造成死锁。
可以添加超时时间等，解决死锁
协程：用户态的轻量级线程，调度有用户控制。
协程是一种 允许在特定位置暂停或恢复的子程序。
和生成器 不同的是，协程 可以控制子程序暂停之后代码的走向，而 生成器 仅能被动地将控制权交还给调用者。
协程看上去像是线程，但是实际使用非线程的方式。
协程 可以只利用一个线程更加轻便地实现 多任务，将任务切换的开销降至最低。
和 回调 等其他异步技术相比，
协程 维持了正常的代码流程，在保证代码可读性的同时最大化地利用了 阻塞 IO 的空闲时间。它的高效与简洁赢得了开发者们的拥戴。
协程实现方式分为
以gevent，第二种语法上以async和await关键字实现的协程，可读性更好一些。（asyncio）
具体的说，协程是函数体中包含yield或者yield from 的函数。一个协程可以通常处于四种状态之一('GEN_CREATED',,'GEN_RUNNING','GEN_SUSPENDED','GEN_CLOSED').
协程和线程都区别就是，线程调度看系统，协程你可以自己控制。yield 就可以实现了
很多时候系统瓶颈都在 IO，很多涉及到 IO 特别是网络的程序都需要用到线程 /协程。
本来线程就复杂，还实现不完整，能用协程就协程
大部分用于 generator 这个特定场景
我自己的话有一个场景，每个登录用户定时拉取外部信息的需求，如果每个用户开一个线程开销太大，所以就用协程还是很方便的
模块
thread模块 是比较底层的模块
threading模块对thread做了一些包装
Write Preview
Loading…
Cancel
Save