Nameko是Python下的一个微服务框架，小巧简洁，通过RabbitMq消息组件来实现RPC服务 Github:NameKo 一、准备工作 1.RabbitMq 使用docker安装 docker 管理页面为 localhost:15672，默认用户名密码 guest、 guest。 2.Nameko安装，直接使用pip3 install nameko安装即可 二、测试代码 1、服务端 service 使用@rpc 装饰器定义RPC服务 2、配置文件 config.yml 运行服务 nameko run –config config.yml service1 3、客户端 使用 4、上面使用cProfile测试性能 1次调用RPC开销在76毫秒 5、封装成http 6、使用wrt测试，mac使用brew install wrt 安装即可 1个线程，持续20秒100个连接 响应时间和直接RPC请求差不多 QPS并发量1344/sec，只能说一般般吧

在此之前请完整阅读完 Python threading 多线程模块 Python multiprocess 多进程模块 GIL 全局解释器锁GIL(全局解释器锁，GIL 只有cpython有)：在同一个时刻，只能有一个线程在一个cpu上执行字节码，没法像c和Java一样将多个线程映射到多个CPU上执行，但是GIL会根据执行的字节码行数(为了让各个线程能够平均利用CPU时间，python会计算当前已执行的微代码数量，达到一定阈值后就强制释放GIL)和时间片以及遇到IO操作的时候主动释放锁，让其他字节码执行。 作用：限制多线程同时执行，保证同一个时刻只有一个线程执行。 原因：线程并非独立，在一个进程中多个线程共享变量的，多个线程执行会导致数据被污染造成数据混乱，这就是线程的不安全性，为此引入了互斥锁。 互斥锁：即确保某段关键代码的数据只能又一个线程从头到尾完整执行，保证了这段代码数据的安全性，但是这样就会导致死锁。 死锁：多个子线程在等待对方解除占用状态，但是都不先解锁，互相等待，这就是死锁。 基于GIL的存在，在遇到大量的IO操作(文件读写，网络等待)代码时，使用多线程效率更高。 多线程一个CPU再同一个时刻只能执行一个线程，但是当遇到IO操作或者运行一定的代码量的时候就会释放全局解释器锁，执行另外一个线程。 就好像你要烧水和拖地，这是两个任务，如果是单线程来处理这两个任务的话，先烧水，等水烧开，再拖地。这样等待水烧开的时间就白白浪费了，倘若事交给多线程来做的话，就先烧水，烧水的过程中(相当于IO操作的时候)把时间资源让出来给拖地，拖完地后水也烧好了，这个就是多线程的优势，再同一个时间段做更多的事情，也就是再以后会降到的高并发。 它提供如下一些方法： t1 = threading.Thread(target=你写的函数名,args=(传入变量(如果只有一个变量就必须在后加上逗号),),name=随便取一个线程名)：把一个线程实例化给t1，这个线程负责执行target=你写的函数名t1.start()：负责执行启动这个线程t1.join():必须要等待你的子线程执行完成后再执行主线程t1.setDeamon(True):当你的主线程执行完毕后，不管子线程有没有执行完成都退出主程序，注意不能和t1.join()一起使用。threading.current_thread().name:打印出线程名12345这些方法一开始看可能会觉得有些多，不过不打紧，可以先把后面的代码看完在回过头看这些提供的方法就觉得很简单了。 单线程版本import time def mop_floor():print(‘我要拖地了’)time.sleep(1)print(‘地拖完了’) def heat_up_watrt():print(‘我要烧水了’)time.sleep(6)print(‘水烧开了’) start_time = time.time()heat_up_watrt()mop_floor()end_time = time.time()print(‘总共耗时:{}’.format(end_time-start_time))1234567891011121314151617返回结果： 我要烧水了水烧开了我要拖地了地拖完了总共耗时:7.00076627731323212345单线程一共耗时7秒 多线程版本import threadingimport time def mop_floor():print(‘我要拖地了’)time.sleep(1)print(‘地拖完了’) def heat_up_watrt():print(‘我要烧水了’)time.sleep(6)print(‘水烧开了’)

来自http://www.langzi.fun/Python%20multiprocess%20%E5%A4%9A%E8%BF%9B%E7%A8%8B%E6%A8%A1%E5%9D%97.html 需要注意的是，如果使用多进程，调用方法一定要加上 (Python中的multiprocess提供了Process类，实现进程相关的功能。但是它基于fork机制，因此不被windows平台支持。想要在windows中运行，必须使用该的方式)，但是我有另一种方法在使用线程池的时候可以不使用name_mian，最下面说。 并且多线程就是开启多个线程，每个线程之间是不会互相通信互相干扰的，适用于密集计算。 案例一 基础用法 多进程的使用方法和多线程使用方法基本一样，所以如果你会多线程用法多进程也就懂了，有一点要注意，定义多进程，然后传递参数的时候，如果是有一个参数就是用args=（i，）一定要加上逗号，如果有两个或者以上的参数就不用这样。 运行结果： 案例二 数据通信 ipc：就是进程间的通信模式，常用的一半是socke，rpc，pipe和消息队列等。 multiprocessing提供了threading包中没有的IPC(比如Pipe和Queue)，效率上更高。应优先考虑Pipe和Queue，避免使用Lock/Event/Semaphore/Condition等同步方式 (因为它们占据的不是用户进程的资源)。 使用Array共享数据 对于Array数组类，括号内的“i”表示它内部的元素全部是int类型，而不是指字符“i”，数组内的元素可以预先指定，也可以只指定数组的长度。Array类在实例化的时候必须指定数组的数据类型和数组的大小，类似temp = Array(‘i’, 5)。对于数据类型有下面的对应关系： 代码实例： 运行结果： 使用Manager共享数据 通过Manager类也可以实现进程间数据的共享，主要用于线程池之间通信，Manager()返回的manager对象提供一个服务进程，使得其他进程可以通过代理的方式操作Python对象。manager对象支持 list, dict, Namespace, Lock, RLock, Semaphore, BoundedSemaphore, Condition, Event, Barrier, Queue, Value ,Array等多种格式。 代码实例： 使用queues的Queue类共享数据 multiprocessing是一个包，它内部有一个queues模块，提供了一个Queue队列类，可以实现进程间的数据共享，如下例所示： 运行结果： 例如来跑多进程对一批IP列表进行运算，运算后的结果都存到Queue队列里面，这个就必须使用multiprocessing提供的Queue来实现

1. 获取两个list 的交集： #方法一: a=[2,3,4,5] b=[2,5,8] tmp = [val for val in a if val in b] print tmp #[2, 5] #方法二 print list(set(a).intersection(set(b)))#方法二比方法一快很多！ 2. 获取两个list 的并集： print list(set(a).union(set(b))) 3. 获取两个 list 的差集： print list(set(b).difference(set(a)))