• flask 高级编程 上下文与栈(转)

    转: https://www.cnblogs.com/wangmingtao/p/9372611.html
    22、上下文与出入栈
    　　22.1 请求过程
    　　　　请求过来，flask会实例化一个Request Context，就是请求上下文（这个请求上下文封装了请求的相关信息）生成请求上下文之后，将请求上下文推入栈中（栈：后进先出；队列：先进先出，flask中用LocalStack来表示栈，LocalStack是一个类，需要实例化，成_request_ctx_stack和_app_ctx_stack）
    请求过来，通过push入栈
    　　22.2 入栈顺序
    　　　　request入栈的时候，会先检查app的栈，如果栈顶为空，会先将AppContext推入栈中，然后才会推入RequestContext，所以test.py中需要手动推入栈，而request请求不需要手动推，直接用就可以
    　　　　current_app和request都是栈顶元素，在操作这俩对象时，其实就是操作栈顶元素，这俩栈顶元素都是上下文，如果直接引入到外文件，元素是空的
    离线应用、单元测试
    复制代码
    # -*- coding=utf-8 -*-

from flask import Flask, current_app

app = Flask(__name__)


ctx = app.app_context()
ctx.push()
a = current_app
d = current_app.config['DEBUG']
ctx.pop()
    复制代码
    23、flask上下文与with语句
    复制代码
    # -*- coding=utf-8 -*-

from flask import Flask, current_app

app = Flask(__name__)


class MyResource:
    def __enter__(self):
        print('connect to resoure')
        return self

    def __exit__(self, exc_type, exc_val, exc_tb):
        print('close resource connection')

    def query(self):
        print('query data')

with MyResource as resource:
    resource.query()
    复制代码
    　　23.1 实现了上下文协议的对象使用with
    　　23.2 对于实现了上下文协议的对象，通常称为上下文管理器
    　　23.3 一个上下文管理器如何实现上下文协议？只要一个对象实现了__enter__和__exit__就可以
    　　23.4 一个上下文表达式必须返回一个上下文管理器
    　　23.5 with语句，对资源的管理
     
    24、阅读源码
    　　control+alt+左键/右键，返回或者进入函数内部
    复制代码
    # -*- coding=utf-8 -*-

from flask import Flask
from app.models.book import db
from app.web.book import web


def create_app():
    app = Flask(__name__)
    app.config.from_object('app.secure')
    app.config.from_object('app.setting')
    register_blueprint(app)

    db.init_app(app)
    with app.app_context():
        db.create_all()
    # db.create_all(app=app)
    return app


def register_blueprint(app):
    app.register_blueprint(web)
db create_all
    复制代码
    25、进程（竞争计算机资源的基本单位）
    　　25.1 操作系统用来调度、分配资源的单位，每个应用程序至少有一个进程
    　　25.2 单核CPU 永远只能够执行一个应用程序？no，CPU可以在不同的应用程序进程之间切换
    　　25.3 进程/线程，切换时开销是非常大的，因为上下文是需要保存和加载消耗大
     
    26、线程（是进程的一部分，可以只有一个进程 多个进程）
    　　26.1 线程之间切换所消耗的资源更小
    　　　　线程非常轻量，本身不负责管理资源也不用有资源，所以线程是去使用进程的相关资源的，所以让线程切换起来更加快速
    　　26.2 进程 分配资源
    　　26.3 线程 利用CPU执行代码
    　　　　eg：代码 指令 CPU来执行 资源，线程没有资源，有指令
    　　26.4 线程 自己不拥有资源，但是可以访问进程的资源
     
    27、多线程
    　　27.1 主线程启用新的线程
    复制代码
    # -*- coding=utf-8 -*-

import threading


def worker():
    print('i am thread')
    t = threading.current_thread()
    print(t.getName())


t = threading.current_thread()
print(t.getName())

new_t = threading.Thread(target=worker, name='qiyue_thread')
new_t.start()
    复制代码
    　　27.2 新的线程和主线程没有区别了，不会等线程执行完再执行下一个线程
    复制代码
    # -*- coding=utf-8 -*-

import time
import threading


def worker():
    print('i am thread')
    t = threading.current_thread()
    time.sleep(100)
    print(t.getName())


new_t = threading.Thread(target=worker, name='qiyue_thread')
new_t.start()


t = threading.current_thread()
print(t.getName())
    复制代码

    　　　　中间部分改为worker()，则会等worker执行结束再执行下面的，不是通过线程的方式调用，而是直接在主线程中调用的

    　　27.3 多线程编程好处
    　　　　（1）更加充分地利用CPU的性能优势，从而加快代码的执行速度
    　　　　（2）异步编程
    　　　　（3）单核CPU，同一时间只允许一个线程来使用CPU执行代码
    　　　　（4）多核CPU，完全有能力让不同的核去处理不同的线程，并行执行程序
    　　　　（5）python不能充分利用多核CPU的优势
     
    28、全局解释器锁GIL（global interpreter lock）
    　　28.1 因为有GIL的存在，让python代码不管CPU有多少个核，开了多少个线程，同一时间只能在同一个核上面执行一个线程
    　　28.2 锁：线程安全
    　　　　多个线程共享一个进程的资源，可能多个线程同时访问一个资源，造成 线程不安全一般，为了保证线程安全，采用锁的机制。一旦对某个资源进行了加锁操作，只有拿到锁的线程才能对资源进行操作，执行完被释放之后才能被别的线程使用
    　　28.3 锁
    　　　　（1）细粒度锁 程序员 主动加锁
    　　　　（2）粗粒度锁 解释器 GIL
    　　　　（3）虽然多核CPU可以跑多个线程，但是python是需要解释器来解释的，由于GIL的存在，在python解释器上面，同一时刻只允许一个线程来执行
    　　　　（4）总结：CPU硬件是没有限制的，但是由于解释器，GIL只允许一个线程同时执行，一定程度上保证线程安全。可以采用多进程，可是多进程之间是不能互相访问的，如果想在进程之间共享资源，需要用到进程通信技术，相当麻烦，切换成本高
    　　28.4 对于IO密集型程序，多线程有意义
    　　　　（1）CPU密集型程序：非常严重的依赖CPU计算（圆周率计算、视频解码）
    　　　　（2）IO密集型程序：查询数据库、请求网络资源、读写文件
    按照时间段消耗在那种操作上面来划分的
    　　　　（3）IO密集型主要花费在等待上面，不如让别的线程来使用CPU
     
    29、开启flask多线程
    　　29.1 通过webserver开启多线程
    　　　　app.run(host='0.0.0.0', debug=app.config['DEBUG'], port=5000, threaded=True)
    　　　　单进程多线程
    　　29.2 对象是保存状态的地方。实例化三个不同的request对象分别用来保存三个请求的状态
    　　29.3 字典，用不同线程id号来线程隔离
    　　　　多线程，每个线程都有唯一标识，唯一标识为key，每个线程所实例化的Request对象作为value值
    　　　　一个request对象，一个request对象指向了一个字典的数据结构，字典包含了不同线程所创建的不同的Request实例化对象
    　　29.4 线程隔离对象
    　　　　（1）flask内部引用了werkzeug库，库内部有local模块，local模块有Local对象，线程隔离由Local对象完成，通过字典的方式
    　　　　（2）Local
    复制代码
    # -*- coding=utf-8 -*-

import time
import threading

from werkzeug.local import Local


my_obj = Local()
my_obj.b = 1


def worker():
    my_obj.b = 2
    print('in new thread b is:' + str(my_obj.b))


new_t = threading.Thread(target=worker, name='qiyue_thread')
new_t.start()
time.sleep(1)

# 主线程
print('in main thread b is:' + str(my_obj.b))
    复制代码

    　　29.5 线程隔离的栈

    　　　　　　（1）两个上下文，一个请求上下文，一个应用上下文，会在请求进来的时候被推进到栈中，_app_ctx_stack和_request_ctx_stack这两个变量名所指向的对象都是LocalStack()这样的类型，就是可以用来做线程隔离的栈
    　　　　　　（2）LocalStack Local 字典
    　　　　　　　　Local使用字典的方式实现的线程隔离
    　　　　　　　　LocalStack封装了线程对象，把Local对象作为它自己的一个属性，从而实现的一个线程隔离的栈结构
    　　　　　　（3）LocalStack基本用法
    复制代码
    # -*- coding=utf-8 -*-

from werkzeug.local import LocalStack


s = LocalStack()
s.push(1)   # 将一个元素推入到栈顶
print(s.top)    # 将栈顶的元素取出来，只是取，不会删除
print(s.top)    # top上方加了@property，作为属性，不需要括号
print(s.pop())  # pop是方法
print(s.top)

s.push(1)
s.push(2)
print(s.top)
print(s.top)
print(s.pop())
print(s.top)
    复制代码
     
  • 相关阅读:
    基于深度学习的单目图像深度估计
    OpenCV探索之路（二十三）：特征检测和特征匹配方法汇总
    TensorFlow练习24: GANs-生成对抗网络 (生成明星脸)
    深度估计&平面检测小结
    论文翻译——Rapid 2D-to-3D conversion——快速2D到3D转换
    Opencv改变图像亮度和对比度以及优化
    如何将OpenCV中的Mat类绑定为OpenGL中的纹理
    Eclipse控制台中文乱码
    给java中的System.getProperty添加新的key value对
    中文简体windows CMD显示中文乱码解决方案
  • 原文地址：https://www.cnblogs.com/kenD/p/10453075.html
Copyright © 2020-2023  润新知