首页 > Python资料 博客日记
[python]Gunicorn加持下的Flask性能测试
2024-11-02 18:00:03Python资料围观29次
本篇文章分享[python]Gunicorn加持下的Flask性能测试，对你有帮助的话记得收藏一下，看Python资料网收获更多编程知识
前言
之前学习和实际生产环境的flask都是用app.run()的默认方式启动的，因为只是公司内部服务，请求量不高，一直也没出过什么性能问题。最近接管其它小组的服务时，发现他们的服务使用Gunicorn + Flask的方式运行的，本地开发用的gevent的WSGIServer。对于Gunicorn之前只是耳闻，没实际用过，正好捣鼓下看看到底能有多少性能提升。本文简单记录flask在各种配置参数和运行方式的性能，后面也会跟其他语言和框架做个对比。
- python版本：3.11
- flask版本：3.0.3
- Gunicorn：23.0.0
- wrk作为性能测试工具
- 运行环境：vbox虚拟机，debian 12, 4C4G的硬件配置
wrk测试脚本
wrk支持用lua脚本对请求的响应结果进行验证，以下脚本对响应码和响应内容进行校验
wrk.method = "GET"
wrk.host = "127.0.0.1:8080"
wrk.path = "/health"
wrk.timeout = 1.0
response = function(status, headers, body)
if status ~= 200 then
print("Error: expected 200 but got " .. status)
end
if not body:find("ok") then
print("Error: response does not contain expected content.")
end
end
Flask框架的测试记录
- 先测试默认运行方式，且没有sleep的情况下的并发性能。
from flask import Flask
app = Flask(__name__)
@app.get("/health")
def health():
return "ok"
if __name__ == "__main__":
app.run(host="0.0.0.0", port=8080)
使用命令nohup python demo.py > /dev/null启动，以下为wrk测试结果，可以看到已经出现超时请求。
$ wrk -s bm.lua -t 4 -c2000 -d60s http://127.0.0.1:8080/health
Running 1m test @ http://127.0.0.1:8080/health
4 threads and 2000 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 65.47ms 81.07ms 1.99s 97.69%
Req/Sec 575.99 107.20 1.08k 66.71%
137538 requests in 1.00m, 22.82MB read
Socket errors: connect 0, read 114, write 0, timeout 144
Requests/sec: 2288.49
Transfer/sec: 388.86KB
- 还是默认启动方式，增加等待时间，模拟处理任务的时间消耗。后续测试都会增加等待时间。
from flask import Flask
from time import sleep
app = Flask(__name__)
@app.get("/health")
def health():
sleep(0.1)
return "ok"
if __name__ == "__main__":
app.run(host="0.0.0.0", port=8080)
wrk测试结果，不出所料性能会有所下降。
$ wrk -s bm.lua -t 4 -c2000 -d60s http://127.0.0.1:8080/health
Running 1m test @ http://127.0.0.1:8080/health
4 threads and 2000 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 201.90ms 239.99ms 2.00s 95.05%
Req/Sec 479.79 185.87 1.82k 68.19%
114440 requests in 1.00m, 18.99MB read
Socket errors: connect 0, read 2, write 0, timeout 1833
Requests/sec: 1904.45
Transfer/sec: 323.62KB
- flask 更新到版本2后支持使用异步函数（需要安装异步相关依赖
python -m pip install -U flask[async]）
from flask import Flask
import asyncio
app = Flask(__name__)
@app.route('/health')
async def health():
await asyncio.sleep(0.1)
return "ok"
if __name__ == "__main__":
app.run(host="0.0.0.0", port=8080)
wrk测试结果，性能相较于同步函数甚至还下降了，QPS几乎砍半，看来异步版Flask还有待增强。
$ wrk -s bm.lua -t 4 -c2000 -d60s http://127.0.0.1:8080/health
Running 1m test @ http://127.0.0.1:8080/health
4 threads and 2000 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 275.49ms 190.22ms 2.00s 95.46%
Req/Sec 242.86 104.25 720.00 65.91%
57896 requests in 1.00m, 9.61MB read
Socket errors: connect 0, read 48, write 0, timeout 611
Requests/sec: 964.31
Transfer/sec: 163.86KB
- 接管的Flask应用在本地使用gevent的WSGIServer运行，所以也来试试。
from gevent.pywsgi import WSGIServer
from flask import Flask
from time import sleep
app = Flask(__name__)
@app.route('/health')
def health():
sleep(0.1)
return "ok"
if __name__ == "__main__":
http_server = WSGIServer(('0.0.0.0', 8080), app)
http_server.serve_forever()
wrk测试结果，惨不忍睹，像是单线程在挨个处理请求，每个请求都会阻塞住。
$ wrk -s bm.lua -t 4 -c2000 -d60s http://127.0.0.1:8080/health
Running 1m test @ http://127.0.0.1:8080/health
4 threads and 2000 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 185.36ms 221.17ms 1.93s 96.30%
Req/Sec 5.54 3.39 10.00 46.55%
592 requests in 1.00m, 67.64KB read
Socket errors: connect 0, read 0, write 0, timeout 322
Requests/sec: 9.85
Transfer/sec: 1.13KB
- 按网上搜的结果加上了monkey patch
from gevent.pywsgi import WSGIServer
from gevent import monkey
from flask import Flask
from time import sleep
monkey.patch_all()
app = Flask(__name__)
@app.route('/health')
def health():
sleep(0.1)
return "ok"
if __name__ == "__main__":
http_server = WSGIServer(('0.0.0.0', 8080), app)
http_server.serve_forever()
wrk测试结果，加上monkey patch后似乎也没什么作用。
$ wrk -s bm.lua -t 4 -c2000 -d60s http://127.0.0.1:8080/health
Running 1m test @ http://127.0.0.1:8080/health
4 threads and 2000 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 182.89ms 209.48ms 1.82s 96.07%
Req/Sec 5.55 3.50 10.00 47.89%
592 requests in 1.00m, 67.64KB read
Socket errors: connect 0, read 0, write 0, timeout 312
Requests/sec: 9.85
Transfer/sec: 1.13KB
- 正式上gunicorn，代码没有任何改动，也不需要引用gevent的WSGServer。
from flask import Flask
from time import sleep
app = Flask(__name__)
@app.get("/health")
def health():
sleep(0.1)
return "ok"
if __name__ == "__main__":
app.run(host="0.0.0.0", port=8080)
运行命令。指定-k gevent。demo:app中的demo是代码文件名。--worker-connections默认为1000
gunicorn demo:app -b 0.0.0.0:8080 -w 4 -k gevent --worker-connections 2000
wrk测试结果。性能相较于默认启动方式有了接近10倍的提升，请求响应时间也很稳定，最大响应时间也只有310.48。
$ wrk -s bm.lua -t 4 -c2000 -d60s http://127.0.0.1:8080/health
Running 1m test @ http://127.0.0.1:8080/health
4 threads and 2000 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 126.18ms 9.52ms 310.48ms 84.68%
Req/Sec 3.98k 165.70 4.53k 77.34%
948506 requests in 1.00m, 143.83MB read
Requests/sec: 15799.31
Transfer/sec: 2.40MB
其它框架和语言
在t4c2000的wrk配置下，flask+unicorn的每个进程基本都占用了85+%的CPU，再提高就得加CPU核心数了，不过这样的性能已经能满足公司内部服务的需求了，而且实际业务中，短板更可能是网络IO。
这里也测测其它语言和框架，看看Flask在Gunicorn的加持下能否打出python的牌面。
Golang
上来先试试最熟悉的Go， version: 1.22.4，使用标准库。（编译打包出来就能直接运行，不需要jvm这样的虚拟机，也不需要python这样的解释器，更不需要docker这样的容器运行时，特喜欢Go这一点）
package main
import (
"fmt"
"net/http"
"time"
)
func MyHandler(w http.ResponseWriter, r *http.Request) {
time.Sleep(time.Millisecond * 100)
w.Write([]byte("ok"))
}
func main() {
http.HandleFunc("/health", MyHandler)
err := http.ListenAndServe("0.0.0.0:8080", nil)
if err != nil {
fmt.Println(err)
}
}
wrk结果如下，请求量是目前测试以来第一个突破百万，而且也没有timeout的出现。使用top观察资源消耗，CPU只占用了约30%，而且还只有一个进程。
$ wrk -s bm.lua -t 4 -c2000 -d60s http://127.0.0.1:8080/health
Running 1m test @ http://127.0.0.1:8080/health
4 threads and 2000 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 101.56ms 1.48ms 121.62ms 77.58%
Req/Sec 4.94k 191.07 5.05k 93.49%
1180108 requests in 1.00m, 132.80MB read
Requests/sec: 19643.94
Transfer/sec: 2.21MB
不断加大连接，直到系统平均负载到达4（虚拟机CPU核心数为4）。连接数加了10倍，QPS差不多也是10倍于Flask + Gunicorn。这时候实际上wrk也占用了不少CPU资源，服务端的性能并没到瓶颈。
$ wrk -s bm.lua -t 4 -c20000 -d60s http://127.0.0.1:8080/health
Running 1m test @ http://127.0.0.1:8080/health
4 threads and 20000 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 167.56ms 43.45ms 397.95ms 60.37%
Req/Sec 29.48k 8.84k 48.26k 63.05%
6867733 requests in 1.00m, 772.85MB read
Requests/sec: 114258.70
Transfer/sec: 12.86MB
FastAPI
Go的性能已经很不错了，就性能来说还不是Flask+Gunicorn能媲美的。再来试试号称性能并肩Go的FastAPI（官网features里面写的）。FastAPI版本：0.115.4
纯uvicorn启动，用的是同步函数。
from fastapi import FastAPI
import uvicorn
from fastapi.responses import PlainTextResponse
from time import sleep
app = FastAPI()
@app.get("/health")
def index():
sleep(0.1)
return PlainTextResponse(status_code=200,content="ok")
if __name__ == '__main__':
uvicorn.run(app, host="127.0.0.1", port=8080, access_log=False)
wrk测试结果，可以看到相当低下，甚至还不如flask的默认运行方式，超时请求数都过2w了。
$ wrk -s bm.lua -t 4 -c2000 -d60s http://127.0.0.1:8080/health
Running 1m test @ http://127.0.0.1:8080/health
4 threads and 2000 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 1.22s 438.35ms 1.95s 60.00%
Req/Sec 115.03 57.31 410.00 86.69%
23494 requests in 1.00m, 3.02MB read
Socket errors: connect 0, read 0, write 0, timeout 22894
Requests/sec: 390.92
Transfer/sec: 51.54KB
改用异步函数再试试。
from fastapi import FastAPI
import uvicorn
from fastapi.responses import PlainTextResponse
from time import sleep
import asyncio
app = FastAPI()
@app.get("/health")
async def health():
await asyncio.sleep(0.1)
return PlainTextResponse(status_code=200,content="ok")
if __name__ == '__main__':
uvicorn.run(app, host="127.0.0.1", port=8080, access_log=False)
wrk测试结果，可以看到性能好很多了，而且没有timeout。QPS是Flask默认启动方式的2倍，但实际性能应该不止2倍。
$ wrk -s bm.lua -t 4 -c2000 -d60s http://127.0.0.1:8080/health
Running 1m test @ http://127.0.0.1:8080/health
4 threads and 2000 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 484.53ms 63.18ms 654.48ms 61.26%
Req/Sec 1.09k 698.29 3.13k 63.78%
246744 requests in 1.00m, 31.77MB read
Requests/sec: 4106.80
Transfer/sec: 541.43KB
uvicorn支持指定worker数，这里设置为CPU核心数。
from fastapi import FastAPI
import uvicorn
from fastapi.responses import PlainTextResponse
from time import sleep
import asyncio
app = FastAPI()
@app.get("/health")
async def health():
await asyncio.sleep(0.1)
return PlainTextResponse(status_code=200,content="ok")
if __name__ == '__main__':
uvicorn.run(app="demo2:app", host="127.0.0.1", port=8080, access_log=False, workers=4)
wrk测试结果，响应时间还是非常稳的，完全没有timeout的情况，延迟还更低。
$ wrk -s bm.lua -t 4 -c2000 -d60s http://127.0.0.1:8080/health
Running 1m test @ http://127.0.0.1:8080/health
4 threads and 2000 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 164.52ms 13.57ms 273.27ms 73.49%
Req/Sec 3.05k 544.20 4.64k 68.67%
727517 requests in 1.00m, 93.73MB read
Requests/sec: 12123.17
Transfer/sec: 1.56MB
gunicorn也支持uvicorn，看看fastapi在gunicorn的加持下会有怎样的性能表现。
gunicorn demo2:app -b 127.0.0.1:8080 -w 4 -k uvicorn.workers.UvicornWorker --worker-connections 2000
wrk测试结果，相较于unicorn运行方式，性能提升并不多。
$ wrk -s bm.lua -t 4 -c2000 -d60s http://127.0.0.1:8080/health
Running 1m test @ http://127.0.0.1:8080/health
4 threads and 2000 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 146.43ms 21.21ms 263.13ms 69.52%
Req/Sec 3.43k 508.71 4.88k 71.40%
818281 requests in 1.00m, 105.35MB read
Requests/sec: 13620.16
Transfer/sec: 1.75MB
Sanic
之前用过一段时间Sanic，也是个python异步框架，版本：24.6.0
from sanic import Sanic
from sanic.response import text
import asyncio
app = Sanic("HelloWorld")
@app.get("/health")
async def hello_world(request):
await asyncio.sleep(0.1)
return text("ok")
if __name__ == "__main__":
app.run(host="127.0.0.1", port=8080, fast=True, debug=False, access_log=False)
wrk测试结果。虽然QPS比FastAPI高，但是有timeout的情况，不是很稳定。
$ wrk -s bm.lua -t 4 -c2000 -d60s http://127.0.0.1:8080/health
Running 1m test @ http://127.0.0.1:8080/health
4 threads and 2000 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 104.05ms 45.30ms 1.82s 99.59%
Req/Sec 4.84k 538.65 5.07k 95.98%
1154792 requests in 1.00m, 115.64MB read
Socket errors: connect 0, read 0, write 0, timeout 88
Requests/sec: 19218.08
Transfer/sec: 1.92MB
Openresty
openresty基于nginx，通过集成lua，也可以用来写api。配置如下，只是增加了一个location，稍微调整下nginx的参数
worker_processes auto;
worker_cpu_affinity auto;
events {
worker_connections 65535;
}
http {
include mime.types;
default_type application/octet-stream;
access_log off;
sendfile on;
keepalive_timeout 65;
server {
listen 8080 deferred;
server_name localhost;
location /health {
content_by_lua_block {
ngx.sleep(0.1)
ngx.print("ok")
}
}
location / {
root html;
index index.html index.htm;
}
error_page 500 502 503 504 /50x.html;
location = /50x.html {
root html;
}
}
}
wrk测试结果，和Go语言相当。
$ wrk -s bm.lua -t 4 -c2000 -d60s http://127.0.0.1:8080/health
Running 1m test @ http://192.168.0.201:8080/health
4 threads and 2000 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 101.43ms 1.62ms 136.59ms 88.97%
Req/Sec 4.94k 213.51 5.33k 92.65%
1178854 requests in 1.00m, 211.36MB read
Requests/sec: 19619.86
Transfer/sec: 3.52MB
top观察openresty的cpu占用并不高，加大连接再试试。连接数达到25000后，系统平均负载已经基本满了，而且wrk也占用了不少CPU资源。和Go差不多，并没有到服务端的性能瓶颈，而是受到系统资源限制。
$ wrk -s bm.lua -t 4 -c25000 -d60s http://127.0.0.1:8080/health
Running 1m test @ http://127.0.0.1:8080/health
4 threads and 25000 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 149.17ms 36.61ms 659.40ms 71.22%
Req/Sec 41.00k 6.64k 59.03k 65.95%
9330399 requests in 1.00m, 1.63GB read
Requests/sec: 155277.58
Transfer/sec: 27.84MB
小结
整理下测试数据汇总成表格如下
| 项目 | 总请求量 | 每秒请求量 | 平均响应时间 | 最大响应时间 | 备注 |
|---|---|---|---|---|---|
| Flask-no sleep | 137538 | 2288.49 | 65.47ms | 1.99s | 有响应超时情况 |
| Flask-同步方式 | 114440 | 1904.45 | 201.90ms | 2.00s | 有响应超时情况 |
| Flask-异步函数 | 57896 | 964.31 | 275.49ms | 2.00s | 有响应超时情况 |
| Flask+gevent | 592 | 9.85 | 185.36ms | 1.93s | 有响应超时情况 |
| Flask+gevent(monkeypatch) | 592 | 9.85 | 182.89ms | 1.82s | 有响应超时情况 |
| Flask+gevent+unicorn | 948506 | 15799.31 | 126.18ms | 310.48ms | |
| Golang | 1180108 | 19643.94 | 101.56ms | 121.62ms | |
| Golang | 6867733 | 114258.70 | 167.56ms | 397.95ms | wrk的配置为t4c20000 |
| FastAPI-同步函数 | 23494 | 390.92 | 1.22s | 1.95s | 有响应超时情况 |
| FastAPI-异步函数 | 246744 | 4106.80 | 484.53ms | 654.48ms | |
| FastAPI-多worker | 727517 | 12123.17 | 164.52ms | 273.27ms | |
| FastAPI+Gunicorn | 818281 | 13620.16 | 146.43ms | 273.27ms | |
| Sanic | 1154792 | 19218.08 | 104.05ms | 1.82s | 有响应超时情况，不是很稳定 |
| OpenResty | 1178854 | 19619.86 | 101.43ms | 136.59ms | |
| OpenResty | 9330399 | 155277.58 | 149.17ms | 659.40ms | wrk的配置为t4c25000 |
根据测试结果，测试的三个Python Web框架中，Flask+gevent+unicorn综合最佳，不低的QPS，而且没有请求超时的情况，也不需要将代码修改成异步方式。Sanic的QPS虽高，但是有响应超时的情况，说明并不稳定，而且代码需要是异步的。FastAPI+Gunicorn的表现也不差，在不使用Gunicorn的情况下也能提供不错的性能，但代码同样需要改成异步方式。对于Sanic和FastAPI，Gunicorn的加持并不必要，而Gunicorn对Flask的性能提升至少7倍，而且能避免请求超时的情况，生产环境下应该尽量使用Gunicorn来运行Flask。
Go比各个Python框架的性能都更好，资源占用也更低，运行方式还更简单，不需要依赖编程语言环境和其他组件，非要说缺点的话就是开发没有Python快。
OpenResty的性能在测试中是最高的，主要是nginx本身性能良好。缺点是开发更麻烦。虽然是用lua开发，但lua作为动态语言，既不如Python极其灵活，还有动态语言本身代码不够清晰的缺点。以前尝试过用openresty实现一个crud服务，后来连自己都懒得维护就放弃了，干脆只用来当网关。
鱼与熊掌不可兼得，开发速度跟运行速度往往相斥，除非代码以后都是AI来写。就公司目前这服务的使用情况来说，Flask+Gunicorn的性能已经足够，还不需要改代码，实乃社畜良伴。而且现在啥都上k8s了，服务扩展也简单，性能不够就加实例嘛 😃
版权声明：本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：jacktools123@163.com进行投诉反馈，一经查实，立即删除！
标签：
相关文章
最新发布
- 【Python】selenium安装+Microsoft Edge驱动器下载配置流程
- Python 中自动打开网页并点击[自动化脚本],Selenium
- Anaconda基础使用
- 【Python】成功解决 TypeError: ‘＜‘ not supported between instances of ‘str’ and ‘int’
- manim边学边做--三维的点和线
- CPython是最常用的Python解释器之一，也是Python官方实现。它是用C语言编写的，旨在提供一个高效且易于使用的Python解释器。
- Anaconda安装配置Jupyter（2024最新版）
- Python中读取Excel最快的几种方法！
- Python某城市美食商家爬虫数据可视化分析和推荐查询系统毕业设计论文开题报告
- 如何使用 Python 批量检测和转换 JSONL 文件编码为 UTF-8
点击排行
- 版本匹配指南：Numpy版本和Python版本的对应关系
- 版本匹配指南：PyTorch版本、torchvision 版本和Python版本的对应关系
- Python 可视化 web 神器：streamlit、Gradio、dash、nicegui；低代码 Python Web 框架：PyWebIO
- 相关性分析——Pearson相关系数+热力图(附data和Python完整代码)
- Python与PyTorch的版本对应
- Anaconda版本和Python版本对应关系（持续更新...）
- Python pyinstaller打包exe最完整教程
- Could not build wheels for llama-cpp-python, which is required to install pyproject.toml-based proj
本站推荐
