圖：Instagram Loves Python
PyCon 簡介
PyCon 是全世界最大的以 Python 程式語言為主題的技術大會。大會由 Python 社群組織，每年舉辦一次。在大會上，來自世界各地的 Python 使用者與核心開發者齊聚一堂，共同分享 Python 世界的新鮮事、Python 語言的應用案例、使用技巧等等內容。
Instagram 簡介
Instagram 是一款移動端的照片與視訊分享軟體，由 Kevin Systrom 和 Mike Krieger 在 2010 年創辦。Instagram 在釋出後開始快速流行。於 2012 年被 Facebook 以 10 億美元的價格收購。而當時 Instagram 的員工僅有區區 13 名。
如今，Instagram 的總註冊使用者達到 30 億，月活使用者超過 7 億 （作為對比，微信最新披露的月活躍使用者為 9.38 億）。而令人吃驚的是，這麼高的訪問量背後，竟完全是由以速度慢著稱的 Python + Django 支撐。
在 Python 2017 上，Instagram 的工程師們帶來了一個有關 Python 在 Instagram 的主題演講，同時還分享了 Instagram 如何將整個專案執行環境升級到 Python 3 的故事。
本文為該次演講的內容摘要。
Python @Instagram
為什麼選擇 Python 和 Django
Instagram 選擇 Django 的原因很簡單，Instagram 的兩位創始人 (Kevin Systrom and Mike Krieger) 都是產品經理出身。在他們想要創造 Instagram 時，Django 是他們所知道的最穩定和成熟的技術之一。
時至今日，即使已經擁有超過 30 億的註冊使用者。Instagram 仍然是 Python 和 Django 的重度使用者。Instagram 的工程師 Hui Ding 說到： 『一直到使用者 ID 已經超過了 32bit int 的限額（約為 20 億），Django 本身仍然沒有成為我們的瓶頸所在。』
不過，除了使用 Django 的原生功能外，Instagram 還對 Django 做了很多定製化工作：
- 擴充套件 Django Models 使其支援 Sharding （一種資料庫分片技術），Instagram Engneering 部落格專門為這件事情寫過一篇部落格，可參閱：Sharding & IDs at Instagram
- 手動關閉 GC（垃圾回收）來提升 Python 記憶體管理效率，他們同樣也寫過一篇部落格來說明這件事情：Dismissing Python Garbage Collection at Instagram
- 在位於不同地理位置的多個資料中心部署整套系統
Python 語言的優勢所在
Instagram 的聯合創始人 Mike Krieger 說過： 『我們的使用者根本不關心 Instagram 使用了哪種關聯式資料庫，他們當然也不關心 Instagram 是用什麼程式語言開發的。』
所以，Python 這種 簡單 而且 實用至上 的程式語言最終贏得了 Instagram 的青睞。他們認為，使用 Python 這種簡單的語言有助於塑造 Instagram 的工程師文化，那就是：
- 專注於定位問題、解決問題 – 而不是工具本身的各種花花綠綠的特性
- 使用那些經過市場驗證過的成熟技術方案 – 而不用被工具本身的問題所煩擾
- 使用者至上：專注於使用者所能看到的新特性，為使用者帶去價值
但是，即使使用 Python 語言有這麼多好處，它還是很慢，不是嗎？
不過，這對於 Instagram 不是問題，因為他們認為：『Instagram 的最大瓶頸在於開發效率，而不是程式碼的執行效率』
At Instagram, our bottleneck is development velocity, not pure code execution.
所以，最終的結論是：你完全可以使用 Python 語言來實現一個超過幾十億使用者使用的產品，而根本不用擔心語言或框架本身的效能瓶頸。
如何提升執行效率
但是，即使是選用了擁有諸多好處的 Python 和 Django。在 Instagram 的使用者數迅速增長的過程中，效能問題還是出現了：伺服器數量的增長率已經慢慢的超過了使用者增長率。Instagram 是怎麼應對這個問題的呢？
他們使用了這些手段來緩解效能問題：
- 開發工具來幫助調優：Instagram 開發了很多涵蓋各個層面的工具，來幫助他們進行效能調優以及找到效能瓶頸。
- 使用 C/C++ 來重寫部分元件：把那些穩定而且對效能最敏感的元件，使用 C 或 C++ 來重寫，比如訪問 memcache 的 library。
- 使用 Cython：Cython 也是他們用來提升 Python 效率的法寶之一。
除了上面這些手段，他們還在探索非同步 IO 以及新的 Python Runtime 所能帶來的效能可能性。
升級到 Python 3
在相當長的一段時間，Instagram 都跑在 Python 2.7 + Django 1.3 的組合之上。在這個已經落後社群很多年的環境上，他們的工程師們還打了非常非常多的小 patch。難道他們要被永遠卡在這個版本上嗎？
所以，在經過一系列的討論後，他們最終做出一個重大的決定：升級到 Python 3！！
事實上，Instagram 目前已經完成了將執行環境遷移到 Python 3 的工作 – 他們的整套服務已經在 Python 3 上跑了好幾個月了。那麼他們是怎麼做到的呢？接下來便是由 Instagram 工程師 Lisa guo 帶來的 Instagram 如何遷移到 Python 3 的故事。
Instagram 升級到 Python 3 的故事
為什麼要升級到 Python 3
對於 Instagram 來說，下面這些因素是推動他們將執行環境遷移到 Python 3 的主要原因：
1. 新特性：型別註解 Type Annotations
看看下面這段程式碼：
|
1 2 |
def compose_from_max_id(max_id): '''@param str max_id''' |
圖中函式的 max_id 引數究竟是什麼型別呢？int？tuple？或是 list? 等等，函式文件裡面說它是 str 型別。
但隨著時間推移，萬一這個引數的型別發生變化了呢？如果某位粗心的工程師修改程式碼的同時忘了更新文件，那就會給函式的使用者帶來很大麻煩，最終還不如沒有註釋呢。
2. 效能
Instagram 的整個 Django Stack 都跑在 uwsgi 之上，全部使用了同步的網路 IO。這意味著同一個 uwsgi 程式在同一時間只能接收並處理一個請求。這讓如何調優每臺機器上應該執行的 uwsgi 程式數成了一個麻煩事：
為了更好利用 CPU，使用更多的程式數？但那樣會消耗大量的記憶體。而過少的程式數量又會導致 CPU 不能被充分利用。
為此，他們決定跳過 Python 2 中哪些蹩腳的非同步 IO 實現 （可憐的 gevent、tornado、twisted 眾），直接升級到 Python 3，去探索標準庫中的 asyncio 模組所能帶來的可能性。
3. 社群
因為 Python 社群已經停止了對 Python 2 的支援。如果把整個執行環境升級到 Python 3，Instagram 的工程師們就能和 Python 社群走的更近，可以更好的把他們的工作回饋給社群。
確定遷移方案
在 Instagram，進行 Python 3 的遷移需要必須滿足兩個前提條件：
- 不停機，不能有任何的服務因此不可用
- 不能影響產品新特性的開發
但是，在 Instagram 的開發環境中，要滿足上面這兩點來完成遷移到 Python 3.6 這種龐大的工程是非常困難的。
基於主分支的開發流程
即便使用了以多分支功能著稱的 git，Instagram 所有的開發工作都是主要在 master 分支上進行的，Instagram 所奉行的開發哲學是：『不管是多大的新特性或程式碼重構，都應該拆解成較小的 Commit 來進行。』
那些被合併進 master 分支的程式碼，都將在一個小時內被髮布到線上環境。而這樣的釋出過程每天將會發生上百次。在這麼頻繁的釋出頻率下，如何在滿足之前的那兩個前提下來完成遷移變得尤其困難。
被棄用的遷移方案
建立一個新分支
很多人在處理這類問題時，第一個蹦進腦子的想法就是： 『讓我們建立一個分支，當我們開發完後，再把分支合併進來』
但在 Instagram 這麼高的迭代頻率上，使用一個獨立分支並不是好主意：
- Instagram 的 Codebase 每天都在頻繁更新，在開發 Python 3 分支的過程中，讓新分支與現有 master 分支保持同步開銷極大，同時極易出錯
- 最終將 Python 3 分支這個改動非常多的分支合併回 Master 擁有非常高的風險
- 只有少數幾個工程師在 Python 3 分支上專職負責升級工作，其他想幫助遷移工作的工程師無法參與進來
挨個替換介面
還有一個方案就是，挨個替換 Instagram 的 API 介面。但是 Instagram 的不同介面共享著很多通用模組。這個方案要實施起來也非常困難。
微服務
還有一個方案就是將 Instagram 改造成微服務架構。通過將那些通用模組重寫成 Python 3 版本的微服務來一步步完成遷移工作。
但是這個方案需要重新組織海量的程式碼。同時，當發生在程式內的函式呼叫變成 RPC 後 ，整個站點的延遲會變大。此外，更多的微服務也會引入更高的部署複雜度。
所以，既然 Instagram 的開發哲學是：小步前進，快速迭代。他們最終決定的方案是：一步一步來，最終讓 master 分支上的程式碼同時相容 Python 2 和 Python 3 。
開始遷移工作
既然要讓整個 codebase 同時相容 Python 2 和 Python 3，那麼首先要符合這點的就是那些被大量使用的第三方 package。針對第三方 package，Instagram 做到了下面幾點：
- 拒絕引入所有不相容 Python 3 的新 package
- 去掉所有不再使用的 package
- 替換那些不相容 Python 3 的 package
在程式碼的遷移過程中，他們使用了工具 modernize 來幫助他們。
使用 modernize 時，有一個小技巧：每次修復多個檔案的一個相容問題，而不是一下修復一個檔案中的多個相容問題。 這樣可以讓 Code Review 過程簡單很多，因為 Reviewer 每次只需要關注一個問題。
使用單元測試來幫助遷移
對於 Python 這種靈活性極強的動態語言來說，除了真正去執行程式碼外，幾乎沒有其他比較好的檢查程式碼錯誤的手段。
前面提到，Instagram 所有被合併到 master 的程式碼提交會在一個小時內上線到線上環境，但這不是沒有前提條件的。在上線前，所有的提交都需要通過成千上萬個單元測試。
於是，他們開始加入 Python 3 來執行所有的單元測試。一開始，只有極少數的單元測試能夠在 Python 3 環境下通過，但隨著 Instagram 的工程師們不斷的修復那些失敗的單元測試，最終所有的單元測試都可以在 Python 3 環境下成功執行。
單元測試的侷限性
但是，單元測試也是有侷限性的：
- Instagram 的單元測試沒有做到 100% 的程式碼覆蓋率
- 很多第三方模組都使用了 mock 技術，而 mock 的行為與真實的線上服務可能會有所不同
所以，當所有的單元測試都被修復後，他們開始線上上正式使用 Python 3 來執行服務。
這個過程並不是一蹴而就的。首先，所有的 Instagram 工程師開始訪問到這些使用 Python 3 來執行的新服務，然後是 Facebook 的所有僱員，隨後是 0.1%、20% 的使用者，最終 Python 3 覆蓋到了所有的 Instagram 使用者。
圖：循序漸進的釋出流程
遷移過程的技術問題
Instagram 在遷移到 Python 3 時碰到很多問題，下面是最典型的幾個：
Unicode 相關的字串問題
Python 3 相比 Python 2 最大的改動之一，就是在語言內部對 unicode 的處理。
在 Python 2 中，文字型別 （也就是 unicode） 和二進位制型別 （也就是 str） 的邊界非常模糊。很多函式的引數既可以是文字，也可以是二進位制。但是在 Python 3 中，文字型別和二進位制型別的字串被完全的區分開了。
於是，下面這段在 Python 2 下可以正常執行的程式碼在 Python 3 下就會報錯：
|
1 2 |
mymac = hmac.new('abc') TypeError: key: expected bytes or bytearray, but got 'str' |
解決辦法其實很簡單，只要加上判斷：如果 value 是文字型別，就將其轉換為二進位制。如下所示：
|
1 2 3 4 |
value = 'abc' if isinstance(value, six.text_type): value = value.encode(encoding='utf-8') mymac = hmac.new(value) |
但是，在整個程式碼庫中，像上面這樣的情況非常多。作為開發人員，如果需要在呼叫每個函式時都要想想： 這裡到底是應該編碼成二進位制，或者是解碼成文字呢？ 將會是非常大的負擔。
於是 Instagram 封裝了一些名為 ensure_str()、ensure_binary()、ensure_text() 的幫助函式，開發人員只需對那些不確定型別的字串，使用這些幫助函式先做一次轉換就好。
|
1 |
mymac = hmac.new(ensure_binary('abc')) |
不同 Python 版本的 pickle 差異
Instagram 的程式碼中大量使用了 pickle。比如用它序列化某個物件，然後將其儲存在 memcache 中。如下面的程式碼所示：
|
1 2 |
memcache_data = pickle.dumps(data, pickle.HIGHEST_PROTOCOL) data = pickle.loads(memcache_data) |
問題在於，Python 2 與 Python 3 的 pickle 模組是有差別的。
如果上文的第一行程式碼，剛好是由 Python 3 執行的服務進行序列化後存入 memcache。而反序列化的過程卻是由 Python 2 進行，那程式碼執行時就會出現下面的錯誤：
|
1 |
ValueError: unsupported pickle protocol: 4 |
這是由於在 Python 3 中，pickle.HIGHEST_PROTOCOL 的值為 4，而 Python 2 中的的 pickle 最高支援的版本號卻是 2。那麼如何解決這個問題呢？
Instagram 最終選擇讓 Python 2 和 Python 3 使用完全不同的 namespace 來訪問 memcache。通過將二者的資料讀寫完全隔開來解決這個問題。
迭代器
在 Python 3 中，很多內建函式被修改成了只返成迭代器 Iterator：
|
1 2 3 |
map() filter() dict.items() |
迭代器有諸多好處，最大的好處就是，使用迭代器不需要一次性分配大量記憶體，所以它的記憶體效率比較高。
但是迭代器有一個天然的特點，當你對某個迭代器做了一次迭代，訪問完它的內容後，就沒法再次訪問那些內容了。迭代器中的所有內容都只能被訪問一次。
在 Instagram 的 Python 3 遷移過程中，就因為迭代器的這個特性被坑了一次，看看下面這段程式碼：
|
1 2 3 4 |
CYTHON_SOURCES = [a.pyx, b.pyx, c.pyx] builds = map(BuildProcess, CYTHON_SOURCES) while any(not build.done() for build in builds): pending = [build for build in builds if not build.started()] |
這段程式碼的用處是挨個編譯 Cython 原始檔。當他們把執行環境切換到 Python 3 後，一個奇怪的問題出現了：CYTHON_SOURCES 中的第一個檔案永遠都被跳過了編譯。為什麼呢？
這都是迭代器的鍋。在 Python 3 中，map() 函式不再返回整個 list，而是返回一個迭代器。
於是，當第二行程式碼生成 builds 這個迭代器後，第三行程式碼的 while 迴圈迭代了 builds，剛好取出了第一個元素。於是之後的 pending 物件便裡面永遠少了那第一個元素。
這個問題解決起來也挺簡單的，你只要手動的吧 builds 轉換成 list 就可以了：
|
1 |
builds = list(map(BuildProcess, CYTHON_SOURCES)) |
但是這類 bug 非常難定位到。如果使用者的 feeds 裡面永遠少了那最新的第一條，使用者很少會注意到。
字典的順序
看看下面這段程式碼：
|
1 2 |
>>> testdict = {'a': 1, 'b': 2, 'c': 3} >>> json.dumps(testdict) |
它會輸出什麼結果呢？
|
1 2 3 4 5 6 7 |
# Python2 '{"a": 1, "c": 3, "b": 2}' # Python 3.5.1 '{"c": 3, "b": 2, "a": 1}' # or '{"c": 3, "a": 1, "b": 2}' # Python 3.6 '{"a": 1, "b": 2, "c": 3}' |
在不同的 Python 版本下，這個 json dumps 的結果是完全不一樣的。甚至在 3.5.1 中，它會完全隨機的返回兩個不同的結果。Instagram 有一段判斷配置檔案是否發生變動的模組，就是因為這個原因出了問題。
這個問題的解決辦法是，在呼叫 json.dumps 傳入 sort_keys=True 引數：
|
1 2 |
>>> json.dumps(testdict, sort_keys=True) '{"a": 1, "b": 2, "c": 3}' |
遷移到 Python 3.6 後的效能提升
當 Instagram 解決了這些奇奇怪怪的版本差異問題後，還有一個巨大的謎題困擾著他們：效能問題。
在 Instagram，他們使用兩個主要指標來衡量他們的服務效能：
- 每次請求產生的 CPU 指令數（越低越好）
- 每秒能夠處理的請求數（越高越好）
所以，當所有的遷移工作完成後，他們非常驚喜的發現：第一個效能指標，每次請求產生的 CPU 指令數居然足足下降了 12% ！！！
但是，按理說第二個指標 – 每秒請求數也應該獲得接近 12% 的提升。不過最後的變化卻是 0%。究竟是出了什麼問題呢？
他們最終定位到，是由於不同 Python 版本下的記憶體優化配置不同，導致 CPU 指令數下降帶來的效能提升被抵消了。那為什麼不同 Python 版本下的記憶體優化配置會不一樣呢？
這是他們用來檢查 uwsgi 配置的程式碼：
|
1 2 |
if uwsgi.opt.get('optimize_mem', None) == 'True': optimize_mem() |
注意到那段 ... ... == 'True' 了嗎？在 Python 3 中，這個條件判斷總是不會被滿足。問題就在於 unicode。在將程式碼中的 'True' 換成 b'True'（也就是將文字型別換成二進位制，這種判斷在 Python 2 中完全不區分的）後，問題解決了。
所以，最終因為加上了一個小小的字幕 'b'，程式的整體效能提升了 12%。
結論
在今年二月份，Instagram 的後端程式碼的執行環境完全切換到了 Python 3 下：

圖：Instagram 版本遷移時間線
當所有的程式碼都都遷移到 Python 3 執行環境後：
- 節約了 12% 的整體 CPU 使用率（Django/uwsgi）
- 節約了 30% 的記憶體使用（celery）
同時，在整個遷移期間，Instagram 的月活使用者經歷了從 4 億到 6億 的巨大增長。產品也釋出了評論過濾、直播等非常多新功能。
那麼，那幾個最開始驅動他們遷移到 Python 3 的目的呢？
- 型別註解：Instagram 的整個 codebase 裡已經有 2% 的程式碼新增上了型別註解，同時他們還開發了一些工具來輔助開發者新增型別提示
- asyncio：他們在單個介面中利用 asynio 平行的去做多件事情，最終降低了 20-30% 的請求延遲。
- 社群：他們與 Intel 的工程師聯合，幫助他們更好的對 CPU 利用率進行調優。同時還開發了很多新的工具，幫助他們進行效能調優
Instagram 帶給我們的啟示
Instagram 的演講視訊時間不長，但是內容很豐富，在編寫此文前，我完全沒有想到最終的文章會這麼長。
那些，Instagram 的視訊可以給我們哪些啟示呢？
- Python + Django 的組合完全可以負載使用者數以 10 億記的服務，如果你正準備開始一個專案，放心使用 Python 吧！
- 完善的單元測試對於複雜專案是非常有必要的。如果沒有那『成千上萬的單元測試』。很難想象 Instagram 的遷移專案可以成功進行下去。
- 開發者和同事也是你的產品使用者，利用好他們。用他們為你的新特性發布前多一道測試。
- 完全基於主分支的開發流程，可以給你更快的迭代速度。前提是擁有完善的單元測試和持續部署流程。
- Python 3 是大勢所趨，如果你正準備開始一個新專案，無需遲疑，擁抱 Python 3 吧！
好了，就到這兒吧。Happy Hacking！