進程線程協程

一、進程與線程

1.進程

我們電腦的應用程序，都是進程，假設我們用的電腦是單核的，cpu同時只能執行一個進程。當程序出于I/O阻塞的時候，CPU如果和程序一起等待，那就太浪費了，cpu會去執行其他的程序，此時就涉及到切換，切換前要保存上一個程序運行的狀態，才能恢復，所以就需要有個東西來記錄這個東西，就可以引出進程的概念了。

進程就是一個程序在一個數據集上的一次動態執行過程。進程由程序，數據集，進程控制塊三部分組成。程序用來描述進程哪些功能以及如何完成；數據集是程序執行過程中所使用的資源；進程控制塊用來保存程序運行的狀態

2.線程

一個進程中可以開多個線程，為什么要有進程，而不做成線程呢？因為一個程序中，線程共享一套數據，如果都做成進程，每個進程獨占一塊內存，那這套數據就要復制好幾份給每個程序，不合理，所以有了線程。

線程又叫輕量級進程，是一個基本的cpu執行單元，也是程序執行過程中的最小單元。一個進程最少也會有一個主線程，在主線程中通過threading模塊，在開子線程

3.進程線程的關系

（1）一個線程只能屬于一個進程，而一個進程可以有多個線程，但至少有一個線程

（2）資源分配給進程，進程是程序的主體，同一進程的所有線程共享該進程的所有資源

（3）cpu分配給線程，即真正在cpu上運行的是線程

（4）線程是最小的執行單元，進程是最小的資源管理單元

4.并行和并發
并行處理是指計算機系統中能同時執行兩個或多個任務的計算方法，并行處理可同時工作于同一程序的不同方面

并發處理是同一時間段內有幾個程序都在一個cpu中處于運行狀態，但任一時刻只有一個程序在cpu上運行。

并發的重點在于有處理多個任務的能力，不一定要同時；而并行的重點在于就是有同時處理多個任務的能力。并行是并發的子集

以上所說的是相對于所有語言來說的，Python的特殊之處在于Python有一把GIL鎖，這把鎖限制了同一時間內一個進程只能有一個線程能使用cpu

二、threading模塊

這個模塊的功能就是創建新的線程，有兩種創建線程的方法：

1.直接創建

import threadingimport timedef foo(n):    print('>>>>>>>>>>>>>>>%s'%n)
    time.sleep(3)    print('tread 1')

t1=threading.Thread(target=foo,args=(2,))#arg后面一定是元組，t1就是創建的子線程對象t1.start()#把子進程運行起來print('ending')

上面的代碼就是在主線程中創建了一個子線程

運行結果是：先打印>>>>>>>>>>>>>2，在打印ending,然后等待3秒后打印thread 1

2.另一種方式是通過繼承類創建線程對象

import  threadingimport timeclass MyThread(threading.Thread):    def __init__(self):
        threading.Thread.__init__(self)    def run(self):        print('ok')
        time.sleep(2)        print('end')

t1=MyThread()#創建線程對象t1.start()#激活線程對象print('end again')

3.join（）方法

這個方法的作用是：在子線程完成運行之前，這個子線程的父線程將一直等待子線程運行完再運行

import threadingimport timedef foo(n):    print('>>>>>>>>>>>>>>>%s'%n)
    time.sleep(n)    print('tread 1')def bar(n):    print('>>>>>>>>>>>>>>>>%s'%n)
    time.sleep(n)    print('thread 2')
s=time.time()
t1=threading.Thread(target=foo,args=(2,))
t1.start()#把子進程運行起來t2=threading.Thread(target=bar,args=(5,))
t2.start()

t1.join()     #只是會阻擋主線程運行，跟t2沒關系t2.join()print(time.time()-s)print('ending')'''運行結果：
>>>>>>>>>>>>>>>2
>>>>>>>>>>>>>>>>5
tread 1
thread 2
5.001286268234253
ending'''

4.setDaemon()方法

這個方法的作用是把線程聲明為守護線程，必須在start()方法調用之前設置。

默認情況下，主線程運行完會檢查子線程是否完成，如果未完成，那么主線程會等待子線程完成后再退出。但是如果主線程完成后不用管子線程是否運行完都退出，就要設置setDaemon（True）

import  threadingimport timeclass MyThread(threading.Thread):    def __init__(self):
        threading.Thread.__init__(self)    def run(self):        print('ok')
        time.sleep(2)        print('end')

t1=MyThread()#創建線程對象t1.setDaemon(True)
t1.start()#激活線程對象print('end again')#運行結果是馬上打印ok和 end again #然后程序終止，不會打印end

主線程默認是非守護線程，子線程都是繼承的主線程，所以默認也都是非守護線程

5.其他方法

isAlive(): 返回線程是否處于活動中

getName(): 返回線程名

setName(): 設置線程名

threading.currentThread():返回當前的線程變量

threading.enumerate():返回一個包含正在運行的線程的列表

threading.activeCount():返回正在運行的線程數量

三、各種鎖

1.同步鎖（用戶鎖，互斥鎖）

先來看一個例子：

需求是有一個全局變量的值是100，我們開100個線程，每個線程執行的操作是對這個全局變量減一，最后import threading

import threadingimport timedef sub():    global num
    temp=num

    num=temp-1
    time.sleep(2)
num=100l=[]for i in range(100):
    t=threading.Thread(target=sub,args=())
    t.start()
    l.append(t)for i in l:
    i.join()print(num)

好像一切正常，現在我們改動一下，在sub函數的temp=num,和num=temp-1 中間，加一個time.sleep(0.1),會發現出問題了，結果變成兩秒后打印99了，改成time.sleep(0.0001)呢，結果不確定了，但都是90幾，這是怎么回事呢？

這就要說到Python里的那把GIL鎖了，我們來捋一捋：

首次定義一個全局變量num=100,然后開辟了100個子線程，但是Python的那把GIL鎖限制了同一時刻只能有一個線程使用cpu，所以這100個線程是處于搶這把鎖的狀態，誰搶到了，誰就可以運行自己的代碼。在最開始的情況下，每個線程搶到cpu，馬上執行了對全局變量減一的操作，所以不會出現問題。但是我們改動后，在全局變量減一之前，讓他睡了0.1秒，程序睡著了，cpu可不能一直等著這個線程，當這個線程處于I/O阻塞的時候，其他線程就又可以搶cpu了，所以其他線程搶到了，開始執行代碼，要知道0.1秒對于cpu的運行來說已經很長時間了，這段時間足夠讓第一個線程還沒睡醒的時候，其他線程都搶到過cpu一次了。他們拿到的num都是100，等他們醒來后，執行的操作都是100-1,所以最后結果是99.同樣的道理，如果睡的時間短一點，變成0.001，可能情況就是當第91個線程第一次搶到cpu的時候，第一個線程已經睡醒了，并修改了全局變量。所以這第91個線程拿到的全局變量就是99，然后第二個第三個線程陸續醒過來，分別修改了全局變量，所以最后結果就是一個不可知的數了。一張圖看懂這個過程

這就是線程安全問題，只要涉及到線程，都會有這個問題。解決辦法就是加鎖

我們在全局加一把鎖，用鎖把涉及到數據運算的操作鎖起來，就把這段代碼變成串行的了，上代碼：

import threadingimport timedef sub():    global num
    lock.acquire()#獲取鎖
    temp=num
    time.sleep(0.001)

    num=temp-1
    lock.release()#釋放鎖
    time.sleep(2)
num=100l=[]
lock=threading.Lock()for i in range(100):
    t=threading.Thread(target=sub,args=())
    t.start()
    l.append(t)for i in l:
    i.join()print(num)

獲取這把鎖之后，必須釋放掉才能再次被獲取。這把鎖就叫用戶鎖

2.死鎖與遞歸鎖

死鎖就是兩個及以上進程或線程在執行過程中，因相互制約造成的一種互相等待的現象，若無外力作用，他們將永遠卡在那里。舉個例子：

 1 import threading,time 2  3 class MyThread(threading.Thread): 4     def __init(self): 5         threading.Thread.__init__(self) 6  7     def run(self): 8  9         self.foo()10         self.bar()11     def foo(self):12         LockA.acquire()13         print('i am %s GET LOCKA------%s'%(self.name,time.ctime()))14         #每個線程有個默認的名字，self.name就獲取這個名字15 16         LockB.acquire()17         print('i am %s GET LOCKB-----%s'%(self.name,time.ctime()))18 19         LockB.release()20         time.sleep(1)21         LockA.release()22 23     def bar(self):#與24         LockB.acquire()25         print('i am %s GET LOCKB------%s'%(self.name,time.ctime()))26         #每個線程有個默認的名字，self.name就獲取這個名字27 28         LockA.acquire()29         print('i am %s GET LOCKA-----%s'%(self.name,time.ctime()))30 31         LockA.release()32         LockB.release()33 34 LockA=threading.Lock()35 LockB=threading.Lock()36 37 for i in range(10):38     t=MyThread()39     t.start()40 41 #運行結果:42 i am Thread-1 GET LOCKA------Sun Jul 23 11:25:48 201743 i am Thread-1 GET LOCKB-----Sun Jul 23 11:25:48 201744 i am Thread-1 GET LOCKB------Sun Jul 23 11:25:49 201745 i am Thread-2 GET LOCKA------Sun Jul 23 11:25:49 201746 然后就卡住了

上面這個例子中，線程2在等待線程1釋放B鎖，線程1在等待線程2釋放A鎖，互相制約

我們在用互斥鎖的時候，一旦用的鎖多了，很容易就出現這種問題

在Python中，為了解決這個問題，Python提供了一個叫可重用鎖（RLock）的概念，這個鎖內部維護著一個lock和一個counter變量，counter記錄了acquire的次數，每次acquire，counter就加1，每次release,counter就減1，只有counter的值為0的時候，其他線程才能獲得資源，下面用RLock替換Lock，在運行就不會卡住了： 

 1 import threading,time 2  3 class MyThread(threading.Thread): 4     def __init(self): 5         threading.Thread.__init__(self) 6  7     def run(self): 8  9         self.foo()10         self.bar()11     def foo(self):12         RLock.acquire()13         print('i am %s GET LOCKA------%s'%(self.name,time.ctime()))14         #每個線程有個默認的名字，self.name就獲取這個名字15 16         RLock.acquire()17         print('i am %s GET LOCKB-----%s'%(self.name,time.ctime()))18 19         RLock.release()20         time.sleep(1)21         RLock.release()22 23     def bar(self):#與24         RLock.acquire()25         print('i am %s GET LOCKB------%s'%(self.name,time.ctime()))26         #每個線程有個默認的名字，self.name就獲取這個名字27 28         RLock.acquire()29         print('i am %s GET LOCKA-----%s'%(self.name,time.ctime()))30 31         RLock.release()32         RLock.release()33 34 LockA=threading.Lock()35 LockB=threading.Lock()36 37 RLock=threading.RLock()38 for i in range(10):39     t=MyThread()40     t.start()

這把鎖又叫遞歸鎖

3.Semaphore(信號量)
這也是一把鎖，可以指定有幾個線程可以同時獲得這把鎖，最多是5個（前面說的互斥鎖只能有一個線程獲得）

import threadingimport time

semaphore=threading.Semaphore(5)def foo():
    semaphore.acquire()
    time.sleep(2)    print('ok')
    semaphore.release()for i in range(10):
    t=threading.Thread(target=foo,args=())
    t.start()

運行結果是每隔兩秒就打印5個ok

4.Event對象
線程的運行是獨立的，如果線程間需要通信，或者說某個線程需要根據一個線程的狀態來執行下一步的操作，就需要用到Event對象。可以把Event對象看作是一個標志位，默認值為假，如果一個線程等待Event對象，而此時Event對象中的標志位為假，那么這個線程就會一直等待，直至標志位為真，為真以后，所有等待Event對象的線程將被喚醒

event.isSet()：返回event的狀態值；

event.wait()：如果 event.isSet()==False將阻塞線程；

event.set()： 設置event的狀態值為True，所有阻塞池的線程激活進入就緒狀態， 等待操作系統調度；設置對象的時候，默認是False的

event.clear()：恢復event的狀態值為False。

用一個例子來演示Event對象的用法：

import threading,time

event=threading.Event()     #創建一個event對象def foo():     print('wait.......')
     event.wait()     #event.wait(1)#if event 對象內的標志位為Flase,則阻塞
     #wait()里面的參數的意思是：只等待1秒，如果1秒后還沒有把標志位改過來，就不等了，繼續執行下面的代碼
     print('connect to redis server')print('attempt to start redis sever)')

time.sleep(3)
event.set()for i in range(5):
     t=threading.Thread(target=foo,args=())
     t.start()#3秒之后，主線程結束，但子線程并不是守護線程，子線程還沒結束，所以，程序并沒有結束，應該是在3秒之后，把標志位設為true，即event.set（）

5.隊列

官方文檔說隊列在多線程中保證數據安全是非常有用的

隊列可以理解為是一種數據結構，可以存儲數據，讀寫數據。就類似列表里面加了一把鎖

5.1get和put方法

q=queue.Queue()#如果設置參數為20，第21次put的時候，程序就會阻塞住，直到有空位置，也就是有數據被get走11)q.put(3.14(q.get())(q.get())(q.get())(q.get())

get方法中有個默認參數block=True,把這個參數改成False,取不到值的時候就會報錯queue.Empty

這樣寫就等同于寫成q.get_nowait())

5.2join和task_done方法

join是用來阻塞進程，與task_done配合使用才有意義。可以用Event對象來理解，沒次put()，join里面的計數器加1,沒次task_done（），計數器減1，計數器為0的時候，才能進行下次put（）

注意要在每個get()后面都加task_done才行

import queueimport threading#隊列里只有put和get兩個方法，列表的那些方法都沒有q=queue.Queue()#def foo():#存數據
    # while True:
    q.put(111)
    q.put(222)
    q.put(333)
    q.join()    print('ok')#有個join，程序就停在這里def bar():    print(q.get())
    q.task_done()    print(q.get())
    q.task_done()    print(q.get())
    q.task_done()#要在每個get()語句后面都加上t1=threading.Thread(target=foo,args=())
t1.start()
t2=threading.Thread(target=bar,args=())
t2.start()#t1,t2誰先誰后無所謂，因為會阻塞住，等待信號

5.3 其他方法

q.qsize() 返回隊列的大小

q.empty() 如果隊列為空，返回True,反之False

q.full() 如果隊列滿了，返回True,反之False

q.full 與 maxsize 大小對應

5.4其他模式

前面說的隊列都是先進先出（FIFO）模式，另外還有先進后出（LIFO）模式和優先級隊列

先進后出模式創建隊列的方式是：class queue.LifoQueue(maxsize)

優先級隊列的寫法是：class queue.Priorityueue(maxsize)　　

　　q=queue.PriorityQueue()

　　q.put([5,100])#這個方括號只是代表一個序列類型，元組列表都行，但是都必須所有的一樣

　　q.put([7,200])

　　q.put([3,"hello"])

　　q.put([4,{"name":"alex"}])

中括號里面第一個位置就是優先級

5.5 生產者消費者模型

生產者就相當于產生數據的線程，消費者就相當于取數據的線程。我們在編寫程序的時候，一定要考慮生產數據的能力和消費數據的能力是否匹配，如果不匹配，那肯定要有一方需要等待，所以引入了生產者和消費者模型。

這個模型是通過一個容器來解決生產者和消費者之間的 強耦合問題。有了這個容器，他們不用直接通信，而是通過這個容器，這個容器就是一個阻塞隊列，相當于一個緩沖區，平衡了生產者和消費者的能力。我們寫程序時用的目錄結構，不也是為了解耦和嗎

除了解決強耦合問題，生產者消費者模型還能實現并發

當生產者消費者能力不匹配的時候，就考慮加限制，類似if q.qsize()<20,這種

四、多進程

python 中有一把全局鎖（GIL）使得多線程無法使用多核，但是如果是多進程，這把鎖就限制不了了。如何開多個進程呢，需要導入一個multiprocessing模塊

import multiprocessingimport timedef foo():    print('ok')
    time.sleep(2)if __name__ == '__main__':#必須是這個格式
    p=multiprocessing.Process(target=foo,args=())
    p.start()    print('ending')

雖然可以開多進程，但是一定注意不能開太多，因為進程間切換非常消耗系統資源，如果開上千個子進程，系統會崩潰的，而且進程間的通信也是個問題。所以，進程能不用就不用，能少用就少用

1.進程間的通信

進程間通信有兩種方式，隊列和管道

1.1進程間的隊列

每個進程在內存中都是獨立的一塊空間，不項線程那樣可以共享數據，所以只能由父進程通過傳參的方式把隊列傳給子進程

import multiprocessingimport threadingdef foo(q):
    q.put([12,'hello',True])if __name__ =='__main__':
    q=multiprocessing.Queue()#創建進程隊列

    #創建一個子線程
    p=multiprocessing.Process(target=foo,args=(q,))    #通過傳參的方式把這個隊列對象傳給父進程    p.start()    print(q.get())

1.2管道

之前學過的socket其實就是管道，客戶端 的sock和服務端的conn是管道 的兩端，在進程中也是這個玩法，也要有管道的兩頭

from multiprocessing import  Pipe,Processdef foo(sk):
    sk.send('hello')#主進程發消息
    print(sk.recv())#主進程收消息sock,conn=Pipe()#創建了管道的兩頭if __name__ == '__main__':

    p=Process(target=foo,args=(sock,))    p.start()    print(conn.recv())#子進程接收消息
    conn.send('hi son')#子進程發消息

2.進程間的數據共享

我們已經通過進程隊列和管道兩種方式實現了進程間的通信，但是還沒有實現數據共享

進程間的數據共享需要引用一個manager對象實現，使用的所有的數據類型都要通過manager點的方式去創建

from multiprocessing import Processfrom multiprocessing import Managerdef foo(l,i):
    l.append(i*i)if __name__ == '__main__':
    manager = Manager()

    Mlist = manager.list([11,22,33])#創建一個共享的列表
    l=[]    for i in range(5):        #開辟5個子進程
        p = Process(target=foo, args=(Mlist,i))
        p.start()
        l.append(p)    for i in l:
        i.join()#join 方法是等待進程結束后再執行下一個
    print(Mlist)

3.進程池

進程池的作用是維護一個最大的進程量，如果超出設置的最大值，程序就會阻塞，知道有可用的進程為止

from multiprocessing import Poolimport timedef foo(n):    print(n)
    time.sleep(2)if __name__ == '__main__':
    pool_obj=Pool(5)#創建進程池

    #通過進程池創建進程
    for i in range(5):
        p=pool_obj.apply_async(func=foo,args=(i,))        #p是創建的池對象
    # pool 的使用是先close()，在join（）,記住就行了    pool_obj.close()
    pool_obj.join()    print('ending')

進程池中有以下幾個方法：

1.apply：從進程池里取一個進程并執行2.apply_async：apply的異步版本3.terminate:立刻關閉線程池4.join：主進程等待所有子進程執行完畢，必須在close或terminate之后5.close：等待所有進程結束后，才關閉線程池

五、協程

協程在手，天下我有，說走就走。知道了協程，前面說的進程線程就都忘記吧

協程可以開很多很多，沒有上限，切換之間的消耗可以忽略不計

1.yield

先來回想一下yield這個詞，熟悉不，對，就是生成器那用的那個。yield是個挺神奇的東西，這是Python的一個特點。

一般的函數，是遇到return就停止，然后返回return 后面的值，默認是None，yield和return很像，但是遇到yield不會立刻停止，而是暫停住，直到遇到next()，(for循環的原理也是next())才會繼續執行。yield 前面還可以跟一個變量，通過send()函數給yield傳值，把值保存在yield前邊的變量中

=
    =
        

        (%1== n<5=n+1        (%=(  == =

看上面的例子，整個過程沒有鎖的出現，還能保證數據安全，更要命的是還可以控制順序，優雅的實現了并發，甩多線程幾條街

線程叫微進程，而協程又叫微線程。協程擁有自己的寄存器上下文和棧，因此能保留上一次調用的狀態。

2.greenlet模塊

這個模塊封裝了yield，使得程序切換非常方便，但是沒法實現傳值的功能

from greenlet import greenletdef foo():    print('ok1')
    gr2.switch()    print('ok3')
    gr2.switch()def bar():    print('ok2')
    gr1.switch()    print('ok4')

gr1=greenlet(foo)
gr2=greenlet(bar)

gr1.switch()#啟動

3.gevent模塊

在greenlet模塊的基礎上，開發出了更牛的模塊gevent

gevent為Python提供了更完善的協程支持，其基本原理是：

當一個greenlet遇到IO操作時，就會自動切換到其他的greenlet,等IO操作完成，再切換回來，這樣就保證了總有greenlet在運行，而不是等待

import requestsimport geventimport timedef foo(url):

    response=requests.get(url)
    response_str=response.text    print('get data %s'%len(response_str))

s=time.time()
gevent.joinall([gevent.spawn(foo,"https://itk.org/"),
                gevent.spawn(foo, "https://www.github.com/"),
                gevent.spawn(foo, "https://zhihu.com/"),])# foo("https://itk.org/")# foo("https://www.github.com/")# foo("https://zhihu.com/")print(time.time()-s)

4.協程的優缺點：

優點：

　　上下文切換消耗小

　　方便切換控制流，簡化編程模型

　　高并發，高擴展性，低成本

缺點：

　　無法利用多核

　　進行阻塞操作時會阻塞掉整個程序

六、IO模型

我們下面會比較四種IO模型

1.blocking IO

2.nonblocking IO

3.IO multiplexing

4.asynchronous IO

我們以網絡傳輸數據的IO為例，它會涉及到兩個系統對象，一個是調用這個IO 的線程或者進程，另一個是系統內核，而當讀取數據的時候，又會經歷兩個階段：

　　等待數據準備

　　將數據從內核態拷貝到用戶態的進程中（因為網絡的數據傳輸是靠物理設備實現的，物理設備是硬件，只能有操作系統的內核態才能處理，但是讀數據是程序使用的，所以需要這一步的切換）

1.blocking IO（阻塞IO）

典型的read操作如下圖

linux下，默認情況的socket都是blocking，回想我們之前用的socket，sock和conn是兩個連接，服務端同時只能監聽一個連接，所以如果服務端在等待客戶端發送消息的時候，其他連接是不能連接到服務端的。

在這種模式下，等待數據和復制數據都需要等待，所以是全程阻塞的

2.nonlocking　IO （非阻塞IO）

在服務端建立連接之后，加上這個命令，就變成了非阻塞IO模式

這種模式，有數據就取，沒有就報錯，可以加一個異常捕捉。在等待數據的時候不阻塞，但是在copy數據的時候還是會阻塞，

優點是可以把等待連接的這段時間利用上，但是缺點也很明顯：有很多次系統調用，消耗很大；而且當程序去做別的事的時候，數據到了，雖然不會丟失，但是程序收到的數據也不具有實時性

3.IO multiplexing（IO多路復用）

這個比較常用，我們以前用的accept()，有兩個作用：

　　1.監聽，等待連接

　　2.建立連接

現在我們用select來替代accept的第一個作用，select的優點在于可以監聽很多對象，無論哪個對象活動，都能做出反應，并將活動的對象收集到一個列表

import socketimport select
sock=socket.socket()
sock.bind(('127.0.0.1',8080))
sock.listen(5)


inp=[sock,]while True:
    r=select.select(inp,[],[])    print('r',r[0])    for obj in r[0]:        if obj == sock:
            conn,addr=obj.accept()

但是建立連接的功能還是accept做，有了這個，我們就可以用并發的方式實現tcp的聊天了

 1 # 服務端 2 import socket 3 import time 4 import select 5  6 sock=socket.socket() 7 sock.setsockopt(socket.SOL_SOCKET,socket.SO_REUSEADDR,1) 8 sock.bind(('127.0.0.1',8080)) 9 sock.listen(5)10 11 inp=[sock,]#監聽套接字對象的列表12 13 while True:14     r=select.select(inp,[],[])15     print('r',r[0])16     for obj in r[0]:17         if obj == sock:18             conn,addr=obj.accept()19             inp.append(conn)20         else:21             data=obj.recv(1024)22             print(data.decode('utf8'))23             response=input('>>>>:')24             obj.send(response.encode('utf8'))

只有在建立連接的時候，sock才是活動的，列表中才會有這個對象，如果是在建立連接之后，收發消息的過程中，活動對象就不是sock，而是conn了，所以在實際操作中要判斷列表中的對象是不是sock

在這個模型中，等待數據與copy數據的過程都是阻塞的，所以也叫全程阻塞，與阻塞IO模型相比，這個模型優勢在于處理多個連接

IO 多路復用除了select，還有兩種方式，poll 和 epoll

在windows下只支持select,而在linux中，這三個都有。epoll是最好的，select唯一的優點是多平臺都可以用，但是缺點也很明顯，就是效率很差。poll是epoll和select的中間過渡，與select相比，poll可以監聽的數量沒有限制。epoll沒有最大連接上限，另外監聽機制也完全發生變化，select的機制是輪詢（每個數據都檢查一遍，即使找到有變化的也會繼續檢查），epoll的機制是用回調函數，哪個對象有變化，那個就調用這個回調函數

4. Asynchronous IO （異步IO）

這個模式是全程無阻塞，只有全程無阻塞才能叫異步，這個模式雖然看起來不錯，但是實際操作起來，如果請求量很大，效率會很低，而且操作系統的任務很重

七、selectors 模塊

學會了這個模塊，就不用在乎用的是select，還是poll,或者是epoll了，他們的接口都是這個模塊。我們只需要知道這個接口怎么用，它里面封裝的是什么，就不用考慮了

在這個模塊中，套接字與函數的綁定是用的一個regesier()的方法，模塊的用法很固定，服務端示例如下：

 1 import selectors,socket 2  3 sel=selectors.DefaultSelector() 4  5 sock=socket.socket() 6 sock.setsockopt(socket.SOL_SOCKET,socket.SO_REUSEADDR,1) 7 sock.bind(('127.0.0.1',8080)) 8 sock.listen(5) 9 sock.setblocking(False)10 11 def read(conn,mask):12     data=conn.recv(1024)13     print(data.decode('utf8'))14     res=input('>>>>>>:')15     conn.send(res.encode('utf8'))16 17 def accept(sock,mask):18     conn,addr=sock.accept()19     sel.register(conn,selectors.EVENT_READ,read)#conn和read函數綁定20 #綁定套接字對象和函數21 #綁定（register）的意思就是，套接字對象conn發生變化時，綁定的函數能執行22 sel.register(sock,selectors.EVENT_READ,accept)#中間那個是固定寫法23 while True:24     events=sel.select() #監聽套接字對象（注冊的那個）25     #下面幾行代碼基本上就固定寫法了26     # print('events',events)27     for key,mask in events:28         callback = key.data#綁定的函數，29         # key.fileobj就是活動的套接字對象30         # print('callback',callable)31         #mask是固定的32         callback(key.fileobj,mask)#callback是回調函數33         # print('key.fileobj',key.fileobj)