邀你一起成为开源贡献者 Linux中国
并发是现代编程中必不可少的一部分,因为我们有多个核心,有许多需要协作的任务。然而,当并发程序不按顺序运行时,就很难理解它们。对于工程师来说,在这些程序中发现 bug 和性能问题不像在单线程、单任务程序中那么容易。
在 Python 中,你有多种并发的选择。最常见的可能是用 threading
模块的多线程,用subprocess
和 multiprocessing
模块的多进程,以及最近用 asyncio
模块提供的 async
语法。在 VizTracer 之前,缺乏分析使用了这些技术程序的工具。
VizTracer 是一个追踪和可视化 Python 程序的工具,对日志、调试和剖析很有帮助。尽管它对单线程、单任务程序很好用,但它在并发程序中的实用性是它的独特之处。
尝试一个简单的任务
从一个简单的练习任务开始:计算出一个数组中的整数是否是质数并返回一个布尔数组。下面是一个简单的解决方案:
def is_prime(n): for i in range(2, n): if n % i == 0: return False return Truedef get_prime_arr(arr): return [is_prime(elem) for elem in arr]
试着用 VizTracer 以单线程方式正常运行它:
if __name__ == "__main__": num_arr = [random.randint(100, 10000) for _ in range(6000)] get_prime_arr(num_arr)
viztracer my_program.py
Running code in a single thread
调用堆栈报告显示,耗时约 140ms,大部分时间花在 get_prime_arr
上。
call-stack report
这只是在数组中的元素上一遍又一遍地执行 is_prime
函数。
这是你所期望的,而且它并不有趣(如果你了解 VizTracer 的话)。
试试多线程程序
试着用多线程程序来做:
if __name__ == "__main__": num_arr = [random.randint(100, 10000) for i in range(2000)] thread1 = Thread(target=get_prime_arr, args=(num_arr,)) thread2 = Thread(target=get_prime_arr, args=(num_arr,)) thread3 = Thread(target=get_prime_arr, args=(num_arr,)) thread1.start() thread2.start() thread3.start() thread1.join() thread2.join() thread3.join()
为了配合单线程程序的工作负载,这就为三个线程使用了一个 2000 元素的数组,模拟了三个线程共享任务的情况。
Multi-thread program
如果你熟悉 Python 的全局解释器锁(GIL),就会想到,它不会再快了。由于开销太大,花了 140ms 多一点的时间。不过,你可以观察到多线程的并发性:
Concurrency of multiple threads
当一个线程在工作(执行多个 is_prime
函数)时,另一个线程被冻结了(一个 is_prime
函数);后来,它们进行了切换。这是由于 GIL 的原因,这也是 Python 没有真正的多线程的原因。它可以实现并发,但不能实现并行。
用多进程试试
要想实现并行,办法就是 multiprocessing
库。下面是另一个使用 multiprocessing
的版本:
if __name__ == "__main__": num_arr = [random.randint(100, 10000) for _ in range(2000)] p1 = Process(target=get_prime_arr, args=(num_arr,)) p2 = Process(target=get_prime_arr, args=(num_arr,)) p3 = Process(target=get_prime_arr, args=(num_arr,)) p1.start() p2.start() p3.start() p1.join() p2.join() p3.join()
要使用 VizTracer 运行它,你需要一个额外的参数:
viztracer --log_multiprocess my_program.py
Running with extra argument
整个程序在 50ms 多一点的时间内完成,实际任务在 50ms 之前完成。程序的速度大概提高了三倍。
为了和多线程版本进行比较,这里是多进程版本:
Multi-process version
在没有 GIL 的情况下,多个进程可以实现并行,也就是多个 is_prime
函数可以并行执行。
不过,Python 的多线程也不是一无是处。例如,对于计算密集型和 I/O 密集型程序,你可以用睡眠来伪造一个 I/O 绑定的任务:
def io_task(): time.sleep(0.01)
在单线程、单任务程序中试试:
if __name__ == "__main__": for _ in range(3): io_task()
I/O-bound single-thread, single-task program
整个程序用了 30ms 左右,没什么特别的。
现在使用多线程:
if __name__ == "__main__": thread1 = Thread(target=io_task) thread2 = Thread(target=io_task) thread3 = Thread(target=io_task) thread1.start() thread2.start() thread3.start() thread1.join() thread2.join() thread3.join()
I/O-bound multi-thread program
程序耗时 10ms,很明显三个线程是并发工作的,这提高了整体性能。
用 asyncio 试试
Python 正在尝试引入另一个有趣的功能,叫做异步编程。你可以制作一个异步版的任务:
import asyncioasync def io_task(): await asyncio.sleep(0.01)async def main(): t1 = asyncio.create_task(io_task()) t2 = asyncio.create_task(io_task()) t3 = asyncio.create_task(io_task()) await t1 await t2 await t3if __name__ == "__main__": asyncio.run(main())
由于 asyncio
从字面上看是一个带有任务的单线程调度器,你可以直接在它上使用 VizTracer:
VizTracer with asyncio
依然花了 10ms,但显示的大部分函数都是底层结构,这可能不是用户感兴趣的。为了解决这个问题,可以使用 --log_async
来分离真正的任务:
viztracer --log_async my_program.py
Using --log_async to separate tasks
现在,用户任务更加清晰了。在大部分时间里,没有任务在运行(因为它唯一做的事情就是睡觉)。有趣的部分是这里:
Graph of task creation and execution
这显示了任务的创建和执行时间。Task-1 是 main()
协程,创建了其他任务。Task-2、Task-3、Task-4 执行 io_task
和 sleep
然后等待唤醒。如图所示,因为是单线程程序,所以任务之间没有重叠,VizTracer 这样可视化是为了让它更容易理解。
为了让它更有趣,可以在任务中添加一个 time.sleep
的调用来阻止异步循环:
async def io_task(): time.sleep(0.01) await asyncio.sleep(0.01)
time.sleep call
程序耗时更长(40ms),任务填补了异步调度器中的空白。
这个功能对于诊断异步程序的行为和性能问题非常有帮助。
看看 VizTracer 发生了什么?
通过 VizTracer,你可以在时间轴上查看程序的进展情况,而不是从复杂的日志中想象。这有助于你更好地理解你的并发程序。
VizTracer 是开源的,在 Apache 2.0 许可证下发布,支持所有常见的操作系统(Linux、macOS 和 Windows)。你可以在 VizTracer 的 GitHub 仓库中了解更多关于它的功能和访问它的源代码。
via: https://opensource.com/article/21/3/python-viztracer
作者:Tian Gao 选题:lujun9972 译者:wxy 校对:wxy
十万级技术订阅号,依托于『Linux中国』(https://linux.cn/)社区,专注于 Linux 学习、技术研究、开源思想传播。
联系客服