python分布式环境下的限流器的示例

项目中用到了限流，受限于一些实现方式上的东西，手撕了一个简单的服务端限流器。

服务端限流和客户端限流的区别，简单来说就是：

1）服务端限流

对接口请求进行限流，限制的是单位时间内请求的数量，目的是通过有损来换取高可用。

例如我们的场景是，有一个服务接收请求，处理之后，将数据bulk到Elasticsearch中进行索引存储，bulk索引是一个很耗费资源的操作，如果遭遇到请求流量激增，可能会压垮Elasticsearch（队列阻塞，内存激增），所以需要对流量的峰值做一个限制。

2）客户端限流

限制的是客户端进行访问的次数。

例如，线程池就是一个天然的限流器。限制了并发个数max_connection，多了的就放到缓冲队列里排队，排队搁不下了>queue_size就扔掉。

本文是服务端限流器。

我这个限流器的优点：

1）简单
2）管事

缺点：

1）不能做到平滑限流

例如大家尝尝说的令牌桶算法和漏桶算法（我感觉这两个算法本质上都是一个事情）可以实现平滑限流。什么是平滑限流？举个栗子，我们要限制5秒钟内访问数不超过1000，平滑限流能做到，每秒200个，5秒钟不超过1000，很平衡；非平滑限流可能，在第一秒就访问了1000次，之后的4秒钟全部限制住。•2）不灵活

只实现了秒级的限流。

支持两个场景：

1）对于单进程多线程场景（使用线程安全的Queue做全局变量）

这种场景下，只部署了一个实例，对这个实例进行限流。在生产环境中用的很少。

2）对于多进程分布式场景（使用redis做全局变量）

多实例部署，一般来说生产环境，都是这样的使用场景。

在这样的场景下，需要对流量进行整体的把控。例如，user服务部署了三个实例，对外暴露query接口，要做的是对接口级的流量限制，也就是对query这个接口整体允许多大的峰值，而不去关心到底负载到哪个实例。

题外话，这个可以通过nginx做。 

下面说一下限流器的实现吧。 

1、接口BaseRateLimiter

按照我的思路，先定义一个接口，也可以叫抽象类。

初始化的时候，要配置rate，限流器的限速。

提供一个抽象方法，acquire()，调用这个方法，返回是否限制流量。

class BaseRateLimiter(object):

__metaclass__ = abc.ABCMeta

@abc.abstractmethod
 def __init__(self, rate):
   self.rate = rate

@abc.abstractmethod
 def acquire(self, count):
   return

2、单进程多线程场景的限流ThreadingRateLimiter

继承BaseRateLimiter抽象类，使用线程安全的Queue作为全局变量，来消除竞态影响。

后台有个进程每秒钟清空一次queue；

当请求来了，调用acquire函数，queue incr一次，如果大于限速了，就返回限制。否则就允许访问。

class ThreadingRateLimiter(BaseRateLimiter):

def __init__(self, rate):
   BaseRateLimiter.__init__(self, rate)
   self.queue = Queue.Queue()
   threading.Thread(target=self._clear_queue).start()

def acquire(self, count=1):
   self.queue.put(1, block=False)
   return self.queue.qsize() < self.rate

def _clear_queue(self):
   while 1:
     time.sleep(1)
     self.queue.queue.clear()

2、分布式场景下的限流DistributeRateLimiter

继承BaseRateLimiter抽象类，使用外部存储作为共享变量，外部存储的访问方式为cache。

class DistributeRateLimiter(BaseRateLimiter):

def __init__(self, rate, cache):
   BaseRateLimiter.__init__(self, rate)
   self.cache = cache

def acquire(self, count=1, expire=3, key=None, callback=None):
   try:
     if isinstance(self.cache, Cache):
       return self.cache.fetchToken(rate=self.rate, count=count, expire=expire, key=key)
   except Exception, ex:
     return True

为了解耦和灵活性，我们实现了Cache类。提供一个抽象方法getToken()

如果你使用redis的话，你就继承Cache抽象类，实现通过redis获取令牌的方法。

如果使用mysql的话，你就继承Cache抽象类，实现通过mysql获取令牌的方法。

cache抽象类

class Cache(object):

__metaclass__ = abc.ABCMeta

@abc.abstractmethod
 def __init__(self):
   self.key = "DEFAULT"
   self.namespace = "RATELIMITER"

@abc.abstractmethod
 def fetchToken(self, rate, key=None):
   return

给出一个redis的实现RedisTokenCache

每秒钟创建一个key，并且对请求进行计数incr，当这一秒的计数值已经超过了限速rate，就拿不到token了，也就是限制流量。

对每秒钟创建出的key，让他超时expire。保证key不会持续占用存储空间。

没有什么难点，这里使用redis事务，保证incr和expire能同时执行成功。

class RedisTokenCache(Cache):

def __init__(self, host, port, db=0, password=None, max_connections=None):
   Cache.__init__(self)
   self.redis = redis.Redis(
     connection_pool=
       redis.ConnectionPool(
         host=host, port=port, db=db,
         password=password,
         max_connections=max_connections
       ))

def fetchToken(self, rate=100, count=1, expire=3, key=None):
   date = datetime.now().strftime("％Y-％m-％d ％H:％M:％S")
   key = ":".join([self.namespace, key if key else self.key, date])
   try:
     current = self.redis.get(key)
     if int(current if current else "0") > rate:
       raise Exception("to many requests in current second: ％s" ％ date)
     else:
       with self.redis.pipeline() as p:
         p.multi()
         p.incr(key, count)
         p.expire(key, int(expire if expire else "3"))
         p.execute()
         return True
   except Exception, ex:
     return False

多线程场景下测试代码 

limiter = ThreadingRateLimiter(rate=10000)

def job():
 while 1:
   if not limiter.acquire():
     print '限流'
   else:
     print '正常'

threads = [threading.Thread(target=job) for i in range(10)]
for thread in threads:
 thread.start()

分布式场景下测试代码

token_cache = RedisTokenCache(host='10.93.84.53', port=6379, password='bigdata123')
limiter = DistributeRateLimiter(rate=10000, cache=token_cache)
r = redis.Redis(connection_pool=redis.ConnectionPool(host='10.93.84.53', port=6379, password='bigdata123'))

def job():
 while 1:
   if not limiter.acquire():
     print '限流'
   else:
     print '正常'

threads = [multiprocessing.Process(target=job) for i in range(10)]
for thread in threads:
 thread.start()

可以自行跑一下。 

说明：

我这里的限速都是秒级别的，例如限制每秒400次请求。有可能出现这一秒的前100ms，就来了400次请求，后900ms就全部限制住了。也就是不能平滑限流。

不过如果你后台的逻辑有队列，或者线程池这样的缓冲，这个不平滑的影响其实不大。

来源：http://www.cnblogs.com/kangoroo/p/7700758.html?utm_source=tuicool&utm_medium=referral