构建高效的python requests长连接池

前文:

     最近在搞全网的CDN刷新系统,在性能调优时遇到了requests长连接的一个问题,以前关注过长连接太多造成浪费的问题,但因为系统都是分布式扩展的,针对这种各别问题就懒得改动了。 现在开发的缓存刷新系统,对于性能还是有些敏感的,我后面会给出最优的http长连接池构建方式。


该文章写的有些乱,欢迎来喷 ! 另外文章后续不断更新中,请到原文地址查看更新.    http://xiaorui.cc/?p=4437


老生常谈:

    python下的httpclient库哪个最好用? 我想大多数人还是会选择requests库的。原因么?也就是简单,易用! 


如何蛋疼的构建reqeusts的短连接请求:

python requests库默认就是长连接的 (http 1.1, Connection: keep alive),如果单纯在requests头部去掉Connection是不靠谱的,还需要借助httplib来配合.

s = requests.Session()
del s.headers['Connection']

正确发起 http 1.0的请求姿势是:

#xiaorui.cc

import httplib
import requests

httplib.HTTPConnection._http_vsn = 10
httplib.HTTPConnection._http_vsn_str = 'HTTP/1.0'

r = requests.get('http://127.0.0.1:8888/')

服务端接收的http包体内容:

GET / HTTP/1.0
Accept-Encoding: gzip, deflate
Accept: */*
User-Agent: python-requests/2.5.1 CPython/2.7.10 Darwin/15.4.0

所谓短连接就是发送 HTTP 1.0 协议,这样web服务端当然会在send完数据后,触发close(),也就是传递 \0 字符串,达到关闭连接 !  这里还是要吐槽一下,好多人天天说系统优化,连个基本的网络io都不优化,你还想干嘛。。。下面我们依次聊requests长连接的各种问题及性能优化。


那么requests长连接如何实现? 

requests给我们提供了一个Session的长连接类,他不仅仅能实现最基本的长连接保持,还会附带服务端返回的cookie数据。 在底层是如何实现的? 把HTTP 1.0 改成 HTTP 1.1 就可以了, 如果你标明了是HTTP 1.1 ,那么有没有 Connection: keep-alive 都无所谓的。  如果 HTTP 1.0加上Connection: keep-alive ,那么server会认为你是长连接。 就这么简单 !

poll([{fd=5, events=POLLIN}], 1, 0)     = 0 (Timeout)
sendto(5, "GET / HTTP/1.1\r\nHost: www.xiaorui.cc\r\nConnection: keep-alive\r\nAccept-Encoding: gzip, deflate\r\nAccept: */*\r\nUser-Agent: python-requests/2.9.1\r\n\r\n", 144, 0, NULL, 0) = 144
fcntl(5, F_GETFL)                       = 0x2 (flags O_RDWR)
fcntl(5, F_SETFL, O_RDWR)               = 0

Session的长连接支持多个主机么? 也就是我在一个服务里先后访问 a.com, b.com, c.com 那么requests session能否帮我保持连接 ?

答案很明显,当然是可以的! 

但也仅仅是可以一用,但他的实现有很多的槽点。比如xiaorui.cc的主机上还有多个虚拟主机,那么会出现什么情况么? 会不停的创建新连接,因为reqeusts的urllib3连接池管理是基于host的,这个host可能是域名,也可能ip地址,具体是什么,要看你的输入。 

strace -p 25449 -e trace=connect
Process 25449 attached - interrupt to quit
connect(13, {sa_family=AF_INET, sin_port=htons(80), sin_addr=inet_addr("61.216.13.196")}, 16) = 0
connect(8, {sa_family=AF_INET, sin_port=htons(53), sin_addr=inet_addr("10.202.72.116")}, 16) = 0
connect(8, {sa_family=AF_INET, sin_port=htons(80), sin_addr=inet_addr("125.211.204.141")}, 16) = 0
connect(8, {sa_family=AF_UNSPEC, sa_data="\0\0\0\0\0\0\0\0\0\0\0\0\0\0"}, 16) = 0
connect(8, {sa_family=AF_INET, sin_port=htons(80), sin_addr=inet_addr("153.37.238.190")}, 16) = 0
connect(8, {sa_family=AF_UNSPEC, sa_data="\0\0\0\0\0\0\0\0\0\0\0\0\0\0"}, 16) = 0
connect(8, {sa_family=AF_INET, sin_port=htons(80), sin_addr=inet_addr("157.255.128.103")}, 16) = 0
connect(8, {sa_family=AF_UNSPEC, sa_data="\0\0\0\0\0\0\0\0\0\0\0\0\0\0"}, 16) = 0
connect(8, {sa_family=AF_INET, sin_port=htons(80), sin_addr=inet_addr("139.215.203.190")}, 16) = 0
connect(8, {sa_family=AF_UNSPEC, sa_data="\0\0\0\0\0\0\0\0\0\0\0\0\0\0"}, 16) = 0
connect(8, {sa_family=AF_INET, sin_port=htons(80), sin_addr=inet_addr("42.56.76.104")}, 16) = 0
connect(8, {sa_family=AF_UNSPEC, sa_data="\0\0\0\0\0\0\0\0\0\0\0\0\0\0"}, 16) = 0
connect(8, {sa_family=AF_INET, sin_port=htons(80), sin_addr=inet_addr("42.236.125.104")}, 16) = 0
connect(8, {sa_family=AF_UNSPEC, sa_data="\0\0\0\0\0\0\0\0\0\0\0\0\0\0"}, 16) = 0
connect(8, {sa_family=AF_INET, sin_port=htons(80), sin_addr=inet_addr("110.53.246.11")}, 16) = 0
connect(8, {sa_family=AF_UNSPEC, sa_data="\0\0\0\0\0\0\0\0\0\0\0\0\0\0"}, 16) = 0
connect(8, {sa_family=AF_INET, sin_port=htons(80), sin_addr=inet_addr("36.248.26.191")}, 16) = 0
connect(8, {sa_family=AF_UNSPEC, sa_data="\0\0\0\0\0\0\0\0\0\0\0\0\0\0"}, 16) = 0
connect(8, {sa_family=AF_INET, sin_port=htons(80), sin_addr=inet_addr("125.211.204.151")}, 16) = 0

又比如你可能都是访问同一个域名,但是子域名不一样,例子 a.xiaorui.cc, b.xiaorui.cc, c.xiaorui.cc, xxxx.xiaorui.cc,那么会造成什么问题?  哪怕IP地址是一样的,因为域名不一样,那么requests session还是会帮你实例化长连接。

python  24899 root    3u  IPv4 27187722      0t0     TCP 101.200.80.162:59576->220.181.105.185:http (ESTABLISHED)
python  24899 root    4u  IPv4 27187725      0t0     TCP 101.200.80.162:54622->101.200.80.162:http (ESTABLISHED)
python  24899 root    5u  IPv4 27187741      0t0     TCP 101.200.80.162:59580->220.181.105.185:http (ESTABLISHED)
python  24899 root    6u  IPv4 27187744      0t0     TCP 101.200.80.162:59581->220.181.105.185:http (ESTABLISHED)
python  24899 root    7u  IPv4 27187858      0t0     TCP localhost:50964->localhost:http (ESTABLISHED)
python  24899 root    8u  IPv4 27187880      0t0     TCP 101.200.80.162:54630->101.200.80.162:http (ESTABLISHED)
python  24899 root    9u  IPv4 27187921      0t0     TCP 101.200.80.162:54632->101.200.80.162:http (ESTABLISHED)


如果是同一个二级域名,不同的url会发生呢? 是我们要的结果,只需要一个连接就可以了。

import requests
import time

s = requests.Session()
while 1:
    r = s.get('http://a.xiaorui.cc/1')
    r = s.get('http://a.xiaorui.cc/2')
    r = s.get('http://a.xiaorui.cc/3')

我们可以看到该进程只实例化了一个长连接。 

# xiaorui.cc

python  27173 root    2u   CHR   136,11      0t0      14 /dev/pts/11
python  27173 root    3u  IPv4 27212480      0t0     TCP 101.200.80.162:36090->220.181.105.185:http (ESTABLISHED)
python  27173 root   12r   CHR      1,9      0t0    3871 /dev/urandom

那么requests还有一个不是问题的性能问题。。。 requests session是可以保持长连接的,但他能保持多少个长连接? 10个长连接!  session内置一个连接池,requests库默认值为10个长连接。requests.adapters.HTTPAdapter(pool_connections=100, pool_maxsize=100)    一般来说,单个session保持10个长连接是绝对够用了,但如果你是那种social爬虫呢?这么多域名只共用10个长连接肯定不够的。 

python  28484 root    3u  IPv4 27225486      0t0     TCP 101.200.80.162:54724->103.37.145.167:http (ESTABLISHED)
python  28484 root    4u  IPv4 27225349      0t0     TCP 101.200.80.162:36583->120.132.34.62:https (ESTABLISHED)
python  28484 root    5u  IPv4 27225490      0t0     TCP 101.200.80.162:46128->42.236.125.104:http (ESTABLISHED)
python  28484 root    6u  IPv4 27225495      0t0     TCP 101.200.80.162:43162->222.240.172.228:http (ESTABLISHED)
python  28484 root    7u  IPv4 27225613      0t0     TCP 101.200.80.162:37977->116.211.167.193:http (ESTABLISHED)
python  28484 root    8u  IPv4 27225413      0t0     TCP 101.200.80.162:40688->106.75.67.54:http (ESTABLISHED)
python  28484 root    9u  IPv4 27225417      0t0     TCP 101.200.80.162:59575->61.244.111.116:http (ESTABLISHED)
python  28484 root   10u  IPv4 27225521      0t0     TCP 101.200.80.162:39199->218.246.0.222:http (ESTABLISHED)
python  28484 root   11u  IPv4 27225524      0t0     TCP 101.200.80.162:46204->220.181.105.184:http (ESTABLISHED)
python  28484 root   12r   CHR      1,9      0t0    3871 /dev/urandom
python  28484 root   14u  IPv4 27225420      0t0     TCP 101.200.80.162:42684->60.28.124.21:http (ESTABLISHED)

让我们看看requests的连接池是如何实现的?  通过代码很容易得出Session()默认的连接数及连接池是如何构建的? 下面是requests的长连接实现源码片段。如需要再详细的实现细节,那就自己分析吧 

# xiaorui.cc

class Session(SessionRedirectMixin):

    def __init__(self):
        ...
        self.max_redirects = DEFAULT_REDIRECT_LIMIT
        self.cookies = cookiejar_from_dict({})
        self.adapters = OrderedDict()
        self.mount('https://', HTTPAdapter())  # 如果没有单独配置adapter适配器,那么就临时配置一个小适配器
        self.mount('http://', HTTPAdapter())  # 根据schema来分配不同的适配器adapter,上面是https,下面是http

        self.redirect_cache = RecentlyUsedContainer(REDIRECT_CACHE_SIZE)


class HTTPAdapter(BaseAdapter):

    def __init__(self, pool_connections=DEFAULT_POOLSIZE,
                 pool_maxsize=DEFAULT_POOLSIZE, max_retries=DEFAULT_RETRIES,
                 pool_block=DEFAULT_POOLBLOCK):
        if max_retries == DEFAULT_RETRIES:
            self.max_retries = Retry(0, read=False)
        else:
            self.max_retries = Retry.from_int(max_retries)
        self.config = {}
        self.proxy_manager = {}

        super(HTTPAdapter, self).__init__()

        self._pool_connections = pool_connections
        self._pool_maxsize = pool_maxsize
        self._pool_block = pool_block

        self.init_poolmanager(pool_connections, pool_maxsize, block=pool_block)  # 连接池管理


DEFAULT_POOLBLOCK = False  #是否阻塞连接池
DEFAULT_POOLSIZE = 10  # 默认连接池
DEFAULT_RETRIES = 0   # 默认重试次数
DEFAULT_POOL_TIMEOUT = None  # 超时时间

Python requests连接池是借用urllib3.poolmanager来实现的。每一个独立的(scheme, host, port)元祖使用同一个Connection, (scheme, host, port)是从请求的URL中解析分拆出来的。 from .packages.urllib3.poolmanager import PoolManager, proxy_from_url 。  下面是 urllib3的一些精简源码, 可以看出他的连接池实现也是简单粗暴的。

# 解析url,分拆出scheme, host, port
def parse_url(url):
    """
    Example::
        >>> parse_url('http://google.com/mail/')
        Url(scheme='http', host='google.com', port=None, path='/mail/', ...)
        >>> parse_url('google.com:80')
        Url(scheme=None, host='google.com', port=80, path=None, ...)
        >>> parse_url('/foo?bar')
        Url(scheme=None, host=None, port=None, path='/foo', query='bar', ...)

    return Url(scheme, auth, host, port, path, query, fragment)


# 获取匹配的长连接
def connection_from_url(self, url, pool_kwargs=None):
    u = parse_url(url)
    return self.connection_from_host(u.host, port=u.port, scheme=u.scheme,  pool_kwargs=pool_kwargs)


# 获取匹配host的长连接
def connection_from_host(self, host, port=None, scheme='http', pool_kwargs=None):
    if scheme == "https":
        return super(ProxyManager, self).connection_from_host(
            host, port, scheme, pool_kwargs=pool_kwargs)

    return super(ProxyManager, self).connection_from_host(
        self.proxy.host, self.proxy.port, self.proxy.scheme, pool_kwargs=pool_kwargs)


# 根据url的三个指标获取连接
def connection_from_pool_key(self, pool_key, request_context=None):
    with self.pools.lock:
        pool = self.pools.get(pool_key)
        if pool:
            return pool

        scheme = request_context['scheme']
        host = request_context['host']
        port = request_context['port']
        pool = self._new_pool(scheme, host, port, request_context=request_context)
        self.pools[pool_key] = pool
    return pool


# 获取长连接的主入口
def urlopen(self, method, url, redirect=True, **kw):
    u = parse_url(url)
    conn = self.connection_from_host(u.host, port=u.port, scheme=u.scheme)

这里为止,Python requests关于session连接类实现,说的算明白了。 但就requests和urllib3的连接池实现来说,还是有一些提升空间的。 但问题来了,单单靠着域名和端口会造成一些问题,至于造成什么样子的问题,我在上面已经有详细的描述了。  那么如何解决? 我们可以用 scheme + 主domain +  host_ip + port 来实现长连接池的管理。 其实大多数的场景是无需这么细致的实现连接池的,但根据我们的测试的结果来看,在服务初期性能提升还是不小的。这样既解决了域名ip轮询带来的连接重置问题,也解决了多级域名下不能共用连接的问题。 

END.


大家觉得文章对你有些作用! 如果想赏钱,可以用微信扫描下面的二维码,感谢!
另外再次标注博客原地址  xiaorui.cc