前言

python具有丰富的库，并且很容易作为胶水语言很容易与c/c++进行交互集成。

因此为了适应快速变化的业务和兼顾计算效率，在上层采用python作为server提供service，在底层采用c/c++进行计算是一种对于算法开发者非常适宜的方式。

python flask库提供http接口以及相关demo页面，gunicorn提供多核并行能力，底层c++库提供单线程上的计算。

下面通过一个例子说明这种架构。代码地址：python_hps

准备

在实验开始之前，需要安装flask、gunicorn、apach bench tool等工具。

注：所有实验均在linux系统中进行。测试机器为4核虚拟机。

1. sudo pip install flask 

2. sudo pip install gunicorn 

3. sudo apt-get install apache2-utils 

计算

计算部分模拟真实计算，因此计算量比较大，在我测试的虚拟机上单核单线程跑400ms左右。

c++核心计算部分，随便写的：

1. API_DESC int foo(const int val) 

2. { 

3.     float result = 0.0f; 

4.     for(int c=0;c<1000;c++) 

5.     { 

6.         for(int i=0;i<val;i++) 

7.         { 

8.             result += (i); 

9.             result += sqrt((float)(i*i)); 

10.             result += pow((float)(i*i*i),0.1f); 

11.         } 

12.     } 

13.     return (int)result; 

14. } 

python wrapper，采用ctypes：

1. #python wrapper of libfoo 

2. class FooWrapper: 

3.     def __init__(self): 

4.         cur_path = os.path.abspath(os.path.dirname(__file__)) 

5.         self.module = ctypes.CDLL(os.path.join(cur_path,'./impl/libfoo.so')) 

6.     def foo(self,val):     

7.         self.module.foo.argtypes = (ctypes.c_int,) 

8.         self.module.foo.restype = ctypes.c_int 

9.         result = self.module.foo(val) 

10.         return result 

flask http API：

1. @app.route('/api/foo',methods=['GET','POST']) 

2. def handle_api_foo(): 

3.     #get input 

4.     val = flask.request.json['val'] 

5.     logging.info('[handle_api_foo] val: %d' % (val)) 

6.     #do calc 

7.     result = fooWrapper.foo(val) 

8.     logging.info('[handle_api_foo] result: %d' % (result)) 

9.     result = json.dumps({'result':result}) 

10.     return result 

单核服务

首先测试python单核服务，同时也是单线程服务(由于python GIL的存在，python多线程对于计算密集型任务几乎起反作用)。

· 启动服务

在script目录下执行run_single.sh，即

1. #!/bin/sh 

2. #python 

3. export PYTHONIOENCODING=utf-8 

4. #start server 

5. cd `pwd`/.. 

6. echo "run single pocess server" 

7. python server.py 

8. cd - 

9. echo "server is started." 

· 测试服务

另外打开一个终端，执行script目录下的bench.sh，即

1. #!/bin/sh 

2. ab -T 'application/json' -p post.data -n 100 -c 10 http://127.0.0.1:4096/api/foo 

· 测试结果

CPU运转

ab测试结果

可以看出CPU只用了1个核，负载是2.44 request/second。

多核

· 启动服务

在script目录下执行run_parallel.sh，即

1. #!/bin/sh 

2. #python 

3. export PYTHONIOENCODING=utf-8 

4. #start server 

5. cd `pwd`/.. 

6. echo "run parallel pocess server" 

7. gunicorn -c gun.conf server:app 

8. cd - 

9. echo "server is started." 

其中gun.conf是一个python脚本，配置了gunicorn的一些参数，如下：

1. import multiprocessing 

2. bind = '0.0.0.0:4096' 

3. workers = max(multiprocessing.cpu_count()*2+1,1) 

4. backlog = 2048 

5. worker_class = "sync" 

6. debug = False 

7. proc_name = 'foo_server' 

· 测试服务

另外打开一个终端，执行script目录下的bench.sh，即

1. #!/bin/sh 

2. ab -T 'application/json' -p post.data -n 100 -c 10 http://127.0.0.1:4096/api/foo 

· 测试结果

CPU运转

ab测试结果

可以看出CPU用满了4个核，负载是8.56 request/second。是单核的3.5倍左右，可以任务基本达成多核有效利用的的目的。

总结

使用flask、gunicorn基本可以搭建一个用于调试或者不苛责过多性能的服务，用于算法服务提供非常方便。本文提供该方案的一个简单示例，实际业务中可基于此进行修改完善。