最近的项目开发中，Gearman中的worker使用Python中的urllib/urllib2库大量抓取网页时，总会出现某个Worker阻塞，偶尔一旦发生worker都被阻塞，就会造成任务大量丢失，为检查原因所在，为什么任务出现中断，就写个脚本，利用strace命令，查看所有woker的快照，发现最终被阻塞在recv函数中，然后程序源代码，发现与网络读取有关的，也就是urllib/urllib2中的相关函数，幸亏项目就是监控远程的WEb应用是否活跃，在大量抓取中，已经遭遇很多服务器故意欺骗，因而当时就觉得是服务器故意不传用数据，致使worker阻塞，但是阻塞的时间又太长，按理说python中的socket 都应该设置有超时时间，不至于一直不放，为了验证想法，当时就写个简单的服务端程序，接收到数据后，故意不返回任何数据：
| HOST = '172.23.16.42' PORT = 1024 s = socket.socket(socket.AF_INET,socket.SOCK_STREAM) s.bind((HOST, PORT)) s.listen(1) conn, addr = s.accept() print 'Connected by', addr while 1: data = conn.recv(1024) if data: print data while 1: continue conn.sendall(data) conn.close() |
实际运行后，整体结果如下：
发现持续快一小时，依旧被阻塞，因而需要自己实际设置超时，改用urllib2库，有超时的设置，然后在运行实际程序，发现一旦超时，客户端自动返回
因而在实际的编程中，特别是有关网络的操作，需要查明默认的超时情况，并根据自己的需要实际设置自己的超时时间，不然会遭遇意想不到的事情。