实验要求
由若干个客户端发起存储数据的请求，例如’[1,2,3,4]’, ‘[5,7,8]’, ‘[1]’,’[2]’，服务端负责接收请求并将其批量存储在文件中，并且每次存储的信息不能多于5条。限制为数字1，2互斥不可以存储在同一个文件当中。
实验中用到了3种模型，socket网络收发模型，生产者消费者模型，celery的分布式任务调度中间件。
先给出完成实验的文件结构:
tree
.
|-- client.py # socket模型中的客户端，负责发送存储任务消息
|-- proj
| |-- config.py # celery配置文件
| |-- __init__.py
| |-- middle.py # 生产者消费者模型，为生产者存储任务，消费者消费任务（并完成互斥逻辑）
| |-- tasks.py # 底层存储信息，负责文件的真正存储工作
`-- server.py # socket模型中的服务端，负责监听客户端请求，并间任务信息发送给生产者消费者模型。Socket网络收发模型
socket是基于C/S架构的，socket网络编程通常需要编写client端和server端。模型架构如下:
这里使用socket用来做前端与后端收发信息的模拟，使用最基本的socket demo。在服务端利用多线程实现对不同客户端请求的监听。
服务端 server.py:# !/usr/bin/env python
# -*- coding:utf-8 -*-
import time
import threading
import socket
from proj.middle import producer, consumer
def middle_func(indexs):
# 生产者消费者模型中的生产者
producer(indexs)
def server(conn, address):
while True:
res = conn.recv(1024).decode()
if res == 'exit':
exit('exit')
print('client: ' + str(address) + 'data: ' + str(res))
res = eval（res)
middle_func(res)
conn.sendall(str('has been save info data: ' + str(res)).encode())
def listen(soc):
# 启动线程，用来循环监听客户端发送的请求
while True:
conn, address = soc.accept()
thr = threading.Thread(target = server, args = (conn, address))
thr.start()
if __name__ == '__main__':
# 生产者消费者模型中的消费者，启动守护线程
thr = consumer()
ip_port = ('127.0.0.1', 9999)
soc = socket.socket()
soc.bind(ip_port)
soc.listen(5)
listen(soc)
thr.join()客户端 client.py:#!/usr/bin/env python
# -*- coding:utf-8 -*-
import socket
def client(soc):
while True:
inp = input("input data: ").strip()
if not inp:
continue
soc.sendall(inp.encode())
if inp == "exit":
print("finish!")
break
server_reply = soc.recv(1024).decode()
print(server_reply)
soc.close()
if __name__ == '__main__':
ip_port = ('127.0.0.1', 9999)
soc = socket.socket()
soc.connect(ip_port)
client(soc)生产者消费者模型
实际背景中，前端发送的请求会比较频繁，而后端的处理要求不能过快要尽可能的慢处理。导致生产者与消费者处理速度相差较大。由此，需要一个缓冲队列来存储所有的任务信息。
在这个实验中，生产者是前端发送的任务请求，多线程方式将任务存储到缓冲队列中。消费者是启动的一个守护线程，负责慢获取缓冲队列中的任务并投放到底层模型中做真正的存储。
其中，对于数字1、2互斥处理的逻辑是在消费者模型中实现的。消费者，是启动了一个守护线程，循环监控缓冲队列任务并负责对缓冲队列的任务进行处理。
middle.py
# !/usr/bin/env python
# -*- coding:utf-8 -*-
from proj.tasks import distribution
from celery import group
from Queue import Queue as queue
import time
import threading
# 开启的一个共享队列
q = queue()
# 启动一个异步的线程
def async(f):
def wrapper(*args, **kwargs):
thr = threading.Thread(target = f, args = args, kwargs = kwargs)
thr.start()
return wrapper
# 异步的线程负责扔task给底层做数据存储
@async
def task(indexs):
res = distribution(indexs)
# 获取共享队列中的任务信息
def func_get():
while True:
L = []
while q.qsize() != 0:
end = 5 if 5 < q.qsize() else q.qsize()
for i in range(0, end):
L.append(q.get())
q.task_done()
l = []
for j in range(0, len(L)):
if L[j] == 1 and 2 not in l:
l.append(L[j])
elif L[j] == 2 and 1 not in l:
l.append(L[j])
elif (L[j] == 2 and 1 in l) or (L[j] == 1 and 2 in l):
task(l)
l = []
l.append(L[j])
time.sleep(60)
else:
l.append(L[j])
if 0 <= len(l):
task(l)
time.sleep(60)
# 向共享队列中存放任务信息
def func_put(indexs):
for index in indexs:
q.put(index)
# 消费者，在服务端启动时启动的守护线程，并随着服务端关闭时关闭。
# 并将启动的线程句柄返回，用来阻塞。
def consumer():
thr = threading.Thread(target = func_get, args = (), kwargs = {})
thr.setDaemon(True)
thr.start()
return thr
# 生产者，负责将任务存放到缓冲队列中
def producer(indexs):
func_put(indexs)celery的group模型
celery模块的逻辑，接受消费者发送过来的任务请求。实验中模拟大部分存储任务将会失败，单次成功存储的概率为20%，对于每个存储任务会有2次重试操作。对于由消费者发送过来的请求，每5个存储任务被打包为一个task，做异步执行操作。
根据上面的实验需求，实现中对celery原生的task，绑定了task实现类。这个task实现类集成的是celery提供的基类Task并重写了其中的三个方法为on_success、on_failure、on_retry。
tasks.py
#!/usr/bin/python
# -*- coding: utf-8 -*-
from __future__ import absolute_import, unicode_literals, print_function
from .config import app
import os
import time
import random
import fcntl
import json
from datetime import datetime, timedelta
from celery.utils.log import get_task_logger
from celery import Task, group
logger = get_task_logger(__name__)
# 引起异常
def func(x):
if x in [1, 2, 3, 4]:
raise
# 存储文件
def write_file(x):
date = datetime.now()
date = '%04d%02d%02d%02d%02d' % (date.year, date.month, date.day, date.hour, date.minute)
filename = os.path.join('./', 'test_log_%s.log' % date)
with open(filename, 'a') as fh:
fcntl.flock(fh.fileno(), fcntl.LOCK_EX)
fh.write(json.dumps(x, ensure_ascii = False) + '\n')
# 继承Task类，重写on_success, on_failure, on_retry方法
class MyTask(Task):
def on_success(self, retval, task_id, *args, **kwargs):
_info = 'save %s success' % args[0]
print(_info)
write_file(_info)
def on_failure(self, exc, task_id, *args, **kwargs):
_info = 'save %s failed, roll back' % args[0]
print(_info)
write_file(_info)
def on_retry(self, exc, task_id, *args, **kwargs):
_info = 'retry %s' % args[0]
print(_info)
# 绑定任务上下文，并定义基类
@app.task(bind = True, base = MyTask)
def save(self, s):
#logger.info(self.request.__dict__)
try:
# 模拟任务的大概率异常报错
x = random.randint(1, 5)
func(x)
except Exception as e:
# 添加任务的失败重试
raise self.retry(exc = e, countdown = 1, max_retries = 3)
def distribution(indexs):
for i in range(0, len(indexs), 5):
start = i
end = (i + 5) if (i + 5) <= len(indexs) else len(indexs)
L = []
for j in range(start, end):
L.append(save.s(indexs[j]))
res = group(L)()
while not res.ready():
time.sleep(1)实验结果
# 1. 启动celery的服务端
$ celery -A proj.tasks worker --concurrency=1 --loglevel=info
# 2. 启动socket的服务端
$ python server.py
# 3. 启动socket的客户端
$ python client.py
input data: '[1,2,3,4,5]'
has been save info data: [1, 2, 3, 4, 5]
input data: 'exit'
finish!
# 查看任务的存储结果
$ cat test_log_202007171833.log
"save [1] failed, roll back"
$ cat test_log_202007171834.log
"save [2] success"
"save [3] failed, roll back"
"save [4] failed, roll back"
"save [5] success"附录
config.py
from __future__ import absolute_import, unicode_literals
from celery import Celery
app = Celery('proj',
broker='redis://127.0.0.1:6379',
backend='redis://127.0.0.1:6379/0',
include=['proj.tasks'])
app.conf.update(
result_expires = 3600,
#task_routes = {'proj.tasks.add': {'queue': 'hipri'}}
)
if __name__ == '__main__':
app.start()
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
