Python网络请求、JSON转换、多线程、异步IO

Python发送Post请求及解析响应结果 阅读详情

在 Python 众多的 HTTP 客户端中,最有名的莫过于 requests 、 aiohttp 和 httpx 。

在不借助其他第三方库的情况下, requests 只能发送同步请求; aiohttp 只能发送异步请求; httpx 既能发送同步请求,又能发送异步请求。

那么怎么选择呢

  • 只发同步请求用 requests ,但可配合多线程变异步。
  • 只发异步请求用 aiohttp ,但可以配合await变同步。
  • httpx 可以发同步请求也可以异步,但是请求速度同步略差于 requests ,异步略差于 aiohttp

Asyncio 的强大。但是,任何一种方案都不是完美的,都存在一定的局限性,Asyncio 同样如此。

实际使用中,想用好 Asyncio,特别是发挥其强大的功能,很多情况下必须得有相应的 Python 库支持。

比如

requests 库并不兼容 Asyncio,而 aiohttp 库兼容。

requests

这里先说 requests

安装依赖

pip install requests

响应

响应的类型

#获取接口返回的字符串数据
r.text

#获取接口返回的json数据,即直接将json格式的数据转换为json对象
r.json()

#获取接口返回的二进制数据,假设二进制数据如果为图片可以继续转换成图片
r.content

#获取原始套接字,使用r.raw请在 requests 请求中加上参数 stream=True
r.raw

获取请求响应的其他信息

#获取状态码
r.status_code

#获取请求的url
r.url

#获取指定cookies信息
r.cookies['token']

#获取访问服务器返回给我们的响应头部信息
r.headers

#获取指定访问服务器返回给我们的响应头部信息
r.headers['Content-Type']

#获取发送到服务器的请求的头部的信息
r.request.headers

请求

GET请求

get请求:

res = requests.get(url,data=data,cookies=cookie,headers=header,verify=False,files=file)

data可传可不传,data是字典格式。

如果url是https的话,加上verify=False。如果url是http的话,可不加。

示例1

import requests

if __name__ == '__main__':
    r = requests.get("https://www.psvmc.cn")
    print(r.text)

示例2

import requests

if __name__ == '__main__':
    data = {'username': 'admin', 'passwd': '123456'}
    r = requests.get("https://www.psvmc.cn/login.json", params=data)
    print(r.status_code)
    print(r.json()["obj"])

POST请求

url_post = "https://www.psvmc.cn/login.json"

#不包含任何参数的请求
r = requests.post(url_post)

#不包含任何参数的请求,设置超时10s,timeout不设置则默认60s
r = requests.post(url_post,timeout=10)

#携带参数的请求,dict_param为参数字典,默认data=dict_param,使用data=则表示post的是form请求
#即 application/x-www-form-urlencoded 。
r = requests.post(url_post, data=dict_param)

#携带参数的请求,dict_param为参数字典,使用json=则表示post的是json请求
r = requests.post(url_post, json=dict_param)

#携带参数的请求,body传字符串,这里是JSON字符串。
r = requests.post(url_post, data=json.dumps(dict_param))

#携带参数的请求,dict_param为参数字典,设置超时10s,并携带headers属性
r = requests.post(
    url_post,
    data=dict_param,
    timeout=10,
    headers={
        'User-Agent': 'Mozilla/5.0 (iPhone; CPU iPhone OS 13_2_3 like Mac OS X)'
    })

#post请求上传文件
url = 'http://apihost/upload/post'
files = {'file': open('report.xls', 'rb')}
r = requests.post(url, files=files)

其他类型请求

r = requests.put(url, data =dict_param)
r = requests.delete(url)
r = requests.head(url)
r = requests.options(url)

代理

跨域的时候可以考虑代理访问,不管是post请求还是get请求,只需要添加proxies即可。

客户端开发时不用考虑跨域问题,没有必要设置代理访问。

proxies = {
  "http": "http://10.10.1.10:3128",
  "https": "http://10.10.1.10:1080",
}
requests.get(url_get, proxies=proxies)

查看代理是否有效

和telnet作用一样

import telnetlib

if __name__ == '__main__':
    try:
        telnetlib.Telnet('110.242.68.4', port='80', timeout=3)
    except:
        print('ip无效!')
    else:
        print('ip有效!')

异步请求

aiohttp 的代码与 httpx 异步模式的代码重合度90%,只不过把 AsyncClient 换成了 ClientSession ,

另外,在使用 httpx 时,当你 await client.post 时就已经发送了请求。但是当使用 aiohttp 时,只有在 awiat resp.json() 时才会真正发送请求。

aiohttp

import aiohttp
import asyncio


async def main():
    async with aiohttp.ClientSession() as client:
        resp = await client.post('https://www.psvmc.cn/login.json',
                                 json={'ts': '2020-01-20 13:14:15'})
        result = await resp.json()
        print(result)


asyncio.run(main())

httpx

import httpx
import asyncio


async def main():
    async with httpx.AsyncClient() as client:
        resp = await client.post('https://www.psvmc.cn/login.json',
                                 json={'ts': '2020-01-20 13:14:15'})
        result = resp.json()
        print(result)


asyncio.run(main())

JSON

字符串转对象

import json

# 一些 JSON:
x =  '{ "name":"Bill", "age":63, "city":"Seatle"}'

# 解析 x:
y = json.loads(x)

# 结果是 Python 字典:
print(y["age"])

对象转字符串

import json

# Python 对象(字典):
x = {
  "name": "Bill",
  "age": 63,
  "city": "Seatle"
}

# 转换为 JSON:
y = json.dumps(x)

# 结果是 JSON 字符串:
print(y)

当 Python 转换为 JSON 时,Python 对象会被转换为 JSON(JavaScript)等效项:

PythonJSON
dictObject
listArray
tupleArray
strString
intNumber
floatNumber
Truetrue
Falsefalse
Nonenull

异步IO(协程)和请求

pip install aiohttp

简单示例

import asyncio


async def test():
    await asyncio.sleep(3)
    return "123"


async def main():
    result = await test()
    print(result)


if __name__ == '__main__':
    asyncio.run(main())

异步请求

import asyncio
import aiohttp
import time


async def download_one(url):
    async with aiohttp.ClientSession() as session:
        async with session.get(url) as resp:
            print('Read {} from {}'.format(resp.content_length, url))


async def download_all(sites):
    tasks = [asyncio.ensure_future(download_one(site)) for site in sites]
    await asyncio.gather(*tasks)


def main():
    sites = [
        'https://www.psvmc.cn/index.html',
        'https://www.psvmc.cn/login.json',
        'https://www.psvmc.cn/userlist.json'
    ]
    start_time = time.perf_counter()

    loop = asyncio.get_event_loop()
    try:
        loop.run_until_complete(download_all(sites))
    finally:
        if loop.is_running():
            loop.close()
    end_time = time.perf_counter()
    print('Download {} sites in {} seconds'.format(
        len(sites), end_time - start_time))


if __name__ == '__main__':
    main()

多线程

from concurrent.futures import ThreadPoolExecutor
import threading


# 定义一个准备作为线程任务的函数
def action(num):
    print(threading.current_thread().name)
    return num+100


# 创建一个包含4条线程的线程池
with ThreadPoolExecutor(max_workers=3) as pool:

    future1 = pool.submit(action, 1000)

    def get_result(future):
        print(f"单个任务返回:{future.result()}")

    # 为future1添加线程完成的回调函数
    future1.add_done_callback(get_result)

    print('------------------------------')
    # 使用线程执行map计算
    results = pool.map(action, (50, 100, 150))
    for r in results:
        print(f"多个任务返回:{r}")

异步 IO/多进程/多线程对比

异步 IO(asyncio)、多进程(multiprocessing)、多线程(multithreading)

IO 密集型应用CPU等待IO时间远大于CPU 自身运行时间,太浪费;

常见的 IO 密集型业务包括:浏览器交互、磁盘请求、网络爬虫、数据库请求等

Python 世界对于 IO 密集型场景的并发提升有 3 种方法:多进程、多线程、异步 IO(asyncio);

理论上讲asyncio是性能最高的,原因如下:

  1. 进程、线程会有CPU上下文切换
  2. 进程、线程需要内核态和用户态的交互,性能开销大;而协程对内核透明的,只在用户态运行
  3. 进程、线程并不可以无限创建,最佳实践一般是 CPU*2;而协程并发能力强,并发上限理论上取决于操作系统IO多路复用(Linux下是 epoll)可注册的文件描述符的极限

那asyncio的实际表现是否如理论上那么强,到底强多少呢?我构建了如下测试场景:

访问500台 DB,并sleep 100ms模拟业务查询

  • 方法 1;顺序串行一台台执行
  • 方法 2:多进程
  • 方法 3:多线程
  • 方法 4:asyncio
  • 方法 5:asyncio+uvloop

最后的 asyncio+uvloop 和官方asyncio 最大不同是用 Cython+libuv 重新实现了asyncio 的事件循环(event loop)部分,

官方测试性能是 node.js的 2 倍,持平 golang。

以下测试代码需要 Pyhton3.7+:

顺序串行一台台执行

import records

user = "root"
pwd = "123456"
port = 3306
hosts = []  # 500台 db列表

def query(host):
    conn = records.Database(
    f'mysql+pymysql://{user}:{pwd}@{host}:{port}/mysql?charset=utf8mb4')
    rows = conn.query('select sleep(0.1);')
    print(rows[0])

def main():
    for h in hosts:
        query(h)

# main entrance
if __name__ == '__main__':
    main()

多进程

from concurrent import futures
import records

user = "root"
pwd = "123456"
port = 3306
hosts = []  # 500台 db列表

def query(host):
    conn = records.Database(
    f'mysql+pymysql://{user}:{pwd}@{host}:{port}/mysql?charset=utf8mb4')
    rows = conn.query('select sleep(0.1);')
    print(rows[0])

def main():
    with futures.ProcessPoolExecutor() as executor:
        for future in executor.map(query,hosts):
            pass

# main entrance
if __name__ == '__main__':
    main()

多线程

from concurrent import futures
import records

user = "root"
pwd = "123456"
port = 3306
hosts = []  # 500台 db列表

def query(host):
    conn = records.Database(
    f'mysql+pymysql://{user}:{pwd}@{host}:{port}/mysql?charset=utf8mb4')
    rows = conn.query('select sleep(0.1);')
    print(rows[0])

def main():
    with  .ThreadPoolExecutor() as executor:
        for future in executor.map(query,hosts):
            pass

# main entrance
if __name__ == '__main__':
    main()

asyncio

import asyncio
from databases import Database 

user = "root"
pwd = "123456"
port = 3306
hosts = []  # 500台 db列表

async def query(host):
    DATABASE_URL = f'mysql+pymysql://{user}:{pwd}@{host}:{port}/mysql?charset=utf8mb4'
    async with Database(DATABASE_URL) as database:
        query = 'select sleep(0.1);'
        rows = await database.fetch_all(query=query)
        print(rows[0])

async def main():
    tasks = [asyncio.create_task(query(host)) for host in hosts]
    await asyncio.gather(*tasks)

# main entrance
if __name__ == '__main__':
    asyncio.run(main())

asyncio+uvloop

import asyncio
import uvloop
from databases import Database

user = "root"
pwd = "123456"
port = 3306
hosts = []  # 500台 db列表

async def query(host):
    DATABASE_URL = f'mysql+pymysql://{user}:{pwd}@{host}:{port}/mysql?charset=utf8mb4'
    async with Database(DATABASE_URL) as database:
        query = 'select sleep(0.1);'
        rows = await database.fetch_all(query=query)
        print(rows[0])


async def main():
    tasks = [asyncio.create_task(query(host)) for host in hosts]
    await asyncio.gather(*tasks)

# main entrance
if __name__ == '__main__':
    uvloop.install()
    asyncio.run(main())

运行时间对比

方式运行时间
串行1m7.745s
多进程2.932s
多线程4.813s
asyncio1.068s
asyncio+uvloop0.750s

可以看出: 无论多进程、多进程还是asyncio都能大幅提升IO 密集型场景下的并发,但asyncio+uvloop性能最高,运行时间只有原始串行运行时间的 1/90,相差快 2 个数量级了!

该部分摘自: Python 异步 IO(asyncio)、多进程(multiprocessing)、多线程(multithreading)性能对比

C++ Boost.Asio实现多线程端口扫描器:从异步I/O到性能优化 网络编程的核心在于高效处理并发连接,而异步I/O模型是实现这一目标的关键技术。通过操作系统提供的I/O多路复用机制,程序可以用少量线程管理大量网络套接字,在连接就绪时通过回调函数处理,从而极大提升吞吐量。这种技术在构建高性能网络工具时具有重要价值,例如端口扫描器就需要快速探测大量目标端口的状态。本文以C++ Boost.Asio库为基础,深入剖析了如何利用异步I/O和多线程技术实现一个高效的端口扫描器,重点解决了超时控制、线程同步等工程实践问题,并探讨了线程池和连接池等性能优化方案,为网络诊断和系统运维提供 阅读详情

相关推荐

Python requests模块GET与POST请求实战:从基础到高级应用

HTTP协议是Web通信的基石,定义了客户端与服务器之间数据交换的格式与规则。其核心原理基于请求-响应模型,通过GET、POST等方法实现不同操作。理解HTTP协议对于网络编程至关重要,它能帮助开发者构建高效、可靠的网络应用。在Python生态中,requests库凭借其简洁的API和强大的功能,成为处理HTTP请求的首选工具,广泛应用于网络爬虫、API调用等场景。本文聚焦于requests库中GET与POST请求的深度应用,通过实战案例解析参数传递、会话管理、错误处理等关键技术细节,并探讨连接池、请求重试

weixin_34357928的博客 366

python实现多线程发送网络请求——基础模板

python实现多线程基础模板 python实现多线程的方式有很多种,其中有一种比较好用的是使用threadpool线程池,它可以使用多线程的方式自动调动线程任务,具体模板如下: import socket import time import threadpool send_host = '192.168.211.20' send_port = 514 sleep_sec = 1 packag...

JosenChina的博客 1956

构建高并发AI数据管道:从异步IO到任务调度,实现千源并行处理

在AI工程实践中,高并发数据处理是连接海量数据源与智能模型的关键桥梁。其核心原理在于通过异步编程、消息队列和生产者-消费者模式,构建解耦、可扩展的数据摄取管道。这项技术的核心价值在于能极大提升数据吞吐效率,为实时分析、模型训练提供稳定、低延迟的数据供给。典型的应用场景包括多源资讯聚合、竞品监控和大规模数据预处理。本文聚焦于实现“千源并行阅读”能力,详细探讨了如何利用异步框架和任务调度器,解决异构数据源适配、资源限制和错误处理等工程挑战,为AI应用构建坚实的数据基础设施。

weixin_33483304的博客 311

python使用http.client发送post请求

【代码】python使用http.client发送post请求。

全幼稚园最可爱 1549

Python标准库实战指南:pathlib、datetime、json、urllib与并发五步精要

Python标准库是每个开发者绕不开的底层基础设施,其核心价值在于开箱即用、零依赖、高稳定性。理解其设计原理——如pathlib对路径的对象化抽象、zoneinfo对时区的标准化建模、json模块对序列化边界的严格定义——是写出健壮脚本的关键。这些模块不追求语法糖,而强调语义清晰与错误早暴露,技术价值体现在减少隐性bug(如跨平台路径拼接失败、时区转换偏差、JSON编码乱码)和提升工程可维护性。典型应用场景覆盖自动化运维脚本、日志分析工具、配置驱动服务及轻量API聚合器等。本文聚焦5个高频实战模块,以真实排

weixin_30621711的博客 393

VC++ REST API开发实战:基于cpr库实现HTTP CRUD操作与JSON处理

HTTP协议作为现代网络通信的基石,其核心的GET、POST、PUT、DELETE方法构成了RESTful API的设计原则。理解这些方法的语义与幂等性是实现可靠客户端交互的关键。在C++工程实践中,选择合适的HTTP客户端库能极大提升开发效率与代码可维护性。cpr库作为libcurl的现代化C++封装,提供了直观的API与强大的功能,尤其适合在VC++环境中处理网络请求。通过封装统一的HttpClient类,开发者可以集中管理连接超时、错误处理与资源释放,有效避免常见的网络错误。结合nlohmann/js

weixin_30588675的博客 578

Python使用requests、urllib2、httplib2、http.client执行Get和Post请求

Python(Python2和Python3)中后台执行Get和Post有一些方法,本文主要介绍使用requests、urllib2、httplib2、http.client执行Get和Post请求方法及示例代码。

weixin_52026996的博客 2177

【博客汇总】UV打印机博客汇总

UV平板机博客汇总

Print World的专栏 1753

Python在服务端/客户端实现GET POST请求

Python Flask实现GET POST请求的服务端和客户端 网上关于GET POST请求的文章很多,但是感觉挺乱的。 所以这里提供用Flask实现GET POST最简单的server端和client端代码。 服务端代码: # coding:utf-8 import json from flask import Flask, request app = Flask(__name__) BASE_URL = '/shitou/' # 接收get请求 @app.route(BASE_URL +

weixin_44096485的博客 4983

Kolla 容器化 高可用OpenStack 部署与 Ceph 集群集成

本文介绍了 Kolla 项目在容器化 OpenStack 部署和管理方面的应用,以及与 Ceph 集群的集成。Kolla 项目通过容器技术提供了一种简化和自动化的 OpenStack 部署方法,同时实现了易于升级和回滚的特点。本文还探讨了 Kolla 在实现零宕机升级方面的进展,并分析了其对 OpenStack 用户和社区的重要意义。

we22635的博客 2703

Unity序列帧动画输出全攻略:Recorder+Timeline实战与透明通道处理

序列帧动画是游戏开发、影视动画和UI动效中的基础技术,指将连续动作分解为一系列静态图像并按序播放,形成动态视觉效果。其原理是通过时间轴精确控制每一帧的内容与时机,实现动画的逐帧呈现。在实时渲染领域,序列帧输出技术价值显著,它能够将动态内容高质量地转换为静态图像序列,便于跨平台复用、后期合成与资源分发。应用场景广泛,包括角色动画导出、技能特效制作、宣传片素材生成等。本文聚焦Unity引擎,深入解析如何利用Recorder与Timeline工具链,高效输出带Alpha透明通道的PNG序列帧,并重点攻克透明通道处

weixin_31556767的博客 329

【Python数据处理高手进阶】:掌握JSON/XML高效解析的5大核心技术

掌握Python处理JSON/XML数据的高效方式,提升数据解析性能。涵盖流式解析、库对比、异步处理等5大核心技术,适用于爬虫、API开发等场景,显著提高运行效率与代码可维护性,值得收藏。

CodeTrick的博客 728

Bob-Smith电路在千兆以太网(1000BASE-T)中的优化设计与性能分析

本文深入探讨了Bob-Smith电路在千兆以太网(1000BASE-T)中的关键作用与优化设计。分析表明,相较于单纯追求75欧姆电阻的精确匹配,优化重点应转向PCB布局对称性、高频元件选型及共模路径完整性,以有效抑制共模噪声、提升信号完整性,并确保系统通过EMC测试。

weixin_29281941的博客 281

11.python3的标准库

Python 标准库的重要性及其在开发中的应用标准库与第三方库的区别Python3 标准库的主要分类sys:访问解释器相关变量与功能os:文件系统操作、进程管理subprocess:创建和管理子进程Python 标准库的生态优势未来可能的扩展方向。

wjj131419的博客 1649

量化交易新手入门:从零开始搭建你的第一个Python交易策略(附完整代码)

本文为量化交易新手提供从零开始搭建Python双均线策略的完整指南,涵盖环境配置、数据获取、策略实现及风险管理等关键步骤。通过详细的代码示例和实践建议,帮助读者快速掌握量化交易的核心技术,并避免常见陷阱。文章特别强调Python在量化交易中的技术革新优势,适合希望进入金融科技领域的初学者。

weixin_26905487的博客 447

FlexSim:FlexSim软件介绍与安装

在开始安装FlexSim之前,首先需要从FlexSim官方网站下载安装包。FlexSim提供不同版本的软件,包括教育版、专业版等,确保选择适合您需求的版本。下载页面通常会列出系统要求,包括操作系统、处理器、内存和硬盘空间,确保您的计算机满足这些要求。访问FlexSim官方网站。导航至下载页面。选择适合您需求的FlexSim版本。点击下载按钮,开始下载安装包。在开始构建模型之前,首先需要明确模型的目标。模型目标是指导模型设计和分析的核心,它定义了你希望通过模型解决的问题或探索的系统行为。

kkchenjj的博客 5810

深度解析bilili:Python实现B站视频爬取的核心技术架构

bilili作为一个专注于B站视频与弹幕下载的开源项目,通过Python实现了从API交互到视频处理的完整技术栈。该项目不仅支持普通视频和番剧的高效下载,还提供了弹幕转换、多线程并发、画质选择等高级功能,为开发者提供了一个完整的多媒体内容获取解决方案。 ## 异步请求与API交互机制的实现 ### 原理分析:智能重试与异常处理策略 bilili的API层采用装饰器模式实现智能重试机制,通过`

gitblog_01076的博客 1006

Claude code 入门 安装和快速使用

Claude Code 可以理解为一个。你只需要用简单的语言告诉它要做什么,比如「帮我整理这些文件」、「改一下这个程序」、「分析一下这些数据」,它就能理解你的电脑项目,并自动完成很多操作。,比如整理文件、编程、数据分析…等等。使用终端、命令行还是挡住了非常多的朋友,这个时候,有个界面很重要!Claude code、Codex 官方也都推出了插件,安装即可使用。

2401_84052244的博客 1360

Python语法在实际项目中的10个经典应用

比如用fillna()处理缺失值,用apply()进行数据转换,用groupby()进行分组统计。定义路由用@app.route装饰器,处理请求用request对象,返回JSON响应用jsonify函数。它内置了Python运行环境,可以直接在线编写和运行代码,还能一键部署Web服务,省去了配置环境的麻烦。除了内置的open(),还可以用contextlib创建自定义上下文管理器,处理数据库连接等资源。从简单的脚本到复杂的系统,Python都能优雅地应对。通过继承和多态,可以设计灵活的插件架构。

ObsidianRaven13的博客 562

【系统架构设计师】论文模板样例:论软件系统架构风格

本人于年月参与项目,该系统为*,在该项目组中我担任系统架构师岗位,主要负责系统整体架构设计。本文以该车联网项目为例,主要讨论了软件架构风格在该项目中的具体应用。底层架构风格我们采用了虚拟机风格中的解释器,因该公交共有几十种不同的数据协议,使用解释器风格可以满足整车数据协议兼容性需求;中间层关于应用层的数据流转采用了独立构件风格中的隐式调用,以减低系统间耦合度、简化软件架构,提高可修改性方面的架构属性;应用系统层采用了B/S的架构风格,统一解决公交行业性难题“实施推广难、维护难”问题。

数据知道的博客 9931

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

京东商品API数据解析实战:Python高效处理JSON技巧

JSON作为现代API交互的主流数据格式,其嵌套结构和动态特性给数据处理带来挑战。通过Python的jsonpath-ng等工具可以实现声明式查询,配合pandas等库能构建完整的数据处理流水线。在电商数据采集场景中,这种技术组合特别适用于京东商品API这类深度嵌套的JSON数据解析,可实现价格监控、商品分析等实际应用。针对API返回的300+字段复杂结构,采用安全访问封装和流式处理技术能有效提升开发效率,同时避免内存溢出等问题。

weixin_30252709的博客 406

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

Python从入门到精通(三):文件IO、网络编程与并发架构的底层重构

Python从入门到精通(三):文件IO、网络编程与并发架构的底层重构

搞定过:百亿级数据、万级QPS、零宕机、AI工业化。 225

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

【Python 教程】如何将 JSON 数据转换为 Excel 工作表

当然这个值是可以更改的,但是线程越多,CPU切换所需的时间也就越长,用来处理真正业务的需求也就越少。虽然在服务器端,请求的处理交给了一个独立线程进行,但是操作系统通知accept()的方式还是单个的。虽然客户端A和客户端B的请求是同时进行的,但客户端B发送的请求信息只能等到服务器接受完A的请求数据后,才能被接受。很显然,这样的处理方式在高并发的情况下,是不能采用的。当服务器收到客户端X的请求后,(读取到所有请求数据后)将这个请求送入一个独立线程进行处理,然后主线程继续接受客户端Y的请求。

MoWXdpdG0的博客 361
上一篇: 晋级python高手的必备技能(之一)-内存泄露分析优化
下一篇: 涨知识了——Python除了截屏其它不为人知的图片处理神操作(灰度、滤镜、裁剪和旋转、缩放、对比度增强、GIF处理)
老贡讲Python
博客等级 码龄5年 526粉丝 129原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值