前提
本地的redis服务已经启动，mac用户两行命令即可：
brew install redis && brew services start redis
完了之后，在代码里写上获得redis连接的代码：
def get_redis_con():
pool = redis.ConnectionPool(max_connections=4, decode_responses=True)
return redis.Redis(connection_pool=pool)
其他配置参照官方文档。
固定窗口
类似于把时间切分了，每个时间段只允许固定次的请求。
最直白的话语就是：我的接口1s只允许100次请求，多了我就抛异常。
def fixed_window(user, action, time_zone=60, max_times=30):
key = f'{action}'
count = get_redis_con().get(key)
if not count:
count = 1
get_redis_con().setex(key, time_zone, count)
if int(count) < max_times:
get_redis_con().incr(key)
return True
return False
代码中加上了user，其实就是避免单个用户的接口防刷。在之前的文章<如何优雅的实现接口防刷>中，其实就是用的这种方法。
对应的话，其实也是有一些问题的。
最主要的一个缺点就是：流量不是平滑的，可能存在多个流量峰值导致服务间歇性的不可用。最直观的感受是在窗口切换的时候，流量堆积导致的问题。
滑动窗口
描述的原理是：
- 将时间划分为细粒度的区间，每个区间维持一个计数器，每进入一个请求则将计数器加一；
- 多个区间组成一个时间窗口，每流逝一个区间时间后，则抛弃最老的一个区间，纳入新区间；
- 若当前窗口的区间计数器总和超过设定的限制数量，则本窗口内的后续请求都被丢弃。
可能还是有一些抽象，我们借用代码来讲解：
def silde_window(user, action, time_zone=60, max_times=30):
key = f'{action}'
now_ts = time.time() * 1000
# ms级时间戳，保证唯一
value = now_ts
# 时间窗口的左边界
old_ts = now_ts - time_zone * 1000
# 记录 {成员元素：分数值}
mapping = {
value: now_ts,
}
get_redis_con().zadd(key, mapping)
# 删除时间窗口之前的数据
get_redis_con().zremrangebyscore(key, -1, old_ts)
# 获得窗口内的行为数量
count = get_redis_con().zcard(key)
get_redis_con().expire(key, time_zone + 1)
if not count or int(count) < max_times:
return True
return False
用到的数据结构是zset。这里的时间戳就是对应值的score。
这种方式可以应对流量的激增，但是流量的曲线还是不够平滑。
漏桶算法
就类似于一个桶，请求先去填满桶，填满之后，其它的请求直接拒绝；同时，桶以一定的速率漏出，放行请求。
这种算法的速率是不支持动态调整的，对于系统资源的充分利用上还是存在问题的。
令牌桶算法
漏桶算法的主角是桶，令牌桶的主角是令牌。
def pass_token_bucket(user, action, time_zone=60, max_times=30):
key = f'{user}:{action}'
# 令牌生成速度
rate = max_times / time_zone
capacity = max_times
token_count = get_redis_con().hget(key, 'tokens')
last_time = get_redis_con().hget(key, 'last_time')
now = time.time()
token_count = int(token_count) if token_count else capacity
last_time = last_time if last_time else now
# 经过一段时间之后生成的令牌数量
new_token_count = int((now - last_time) * rate)
if new_token_count > 1:
token_count += new_token_count
if token_count > capacity:
token_count = capacity
last_time = time.time()
get_redis_con().hset(key, 'last_time', last_time)
if token_count >= 1:
token_count -= 1
get_redis_con().hset(key, 'tokens', token_count)
return True
return False
对于漏桶和令牌桶，算法的实现其实都大差不差。shigen在学习这个的时候，还有一点整混淆了。
最后，说一下如何验证，使用到了python的多线程。
executor = ThreadPoolExecutor(max_workers=4)
APIS = ['/api/a', '/get/user/1', '/get/user/2', '/get/user/3']
def task() -> bool:
user = random.randint(1000, 1010)
status = pass_token_bucket(user, random.choice(APIS))
if not status:
raise SystemError('{}被限制'.format(user))
return status
if __name__ == '__main__':
jobs = [executor.submit(task) for _ in range(1000)]
for job in jobs:
print(job.result())
到此这篇关于Python实现常见限流算法的示例代码的文章就介绍到这了,更多相关Python限流算法内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文链接：https://juejin.cn/post/7345105809599758355
