time(), time_ns()

---

time() 以 float 形式返回自紀元以來的時間(以秒為單位)。 閏秒的處理取決於平台。 在 Windows 和大多數 Unix 系統上，閏秒不計入自紀元以來的秒數中。 這通常稱為 Unix 時間。

time_ns() 與 time() 類似，但以奈秒 (nanoseconds) 為單位。可以避免 float 帶來的精準度損失。

PYTHON

import time

current_time = time.time()
print('The current time is', current_time) # Output: 1688807663.873429

start_time = time.time()
time.sleep(1)
end_time = time.time()

print(f"{end_time - start_time:.4f} s") # Output: 1.0123 s

monotonic(), monotonic_ns()

---

monotonic() 返回單調遞增時鐘 (Monotonic Clock)，以秒為單位。 時鐘不受系統時鐘更新的影響。 返回值的參考點未定義，因此只有兩次調用結果之間的差異才有效。

這使得它在您想要測量經過時間而不必擔心由於閏秒、DST (Daylight Saving Time)或系統時鐘的其他更改，而導致的時間變化的情況下非常有用。

monotonic_ns() 與 monotonic() 類似，但以奈秒 (nanoseconds) 為單位。可以避免 float 帶來的精準度損失。

盡可能使用 monotonic() 來測量持續時間和超時，而不是 time() ，以避免調整系統時鐘時可能出現的細微錯誤。

PYTHON

import time

start = time.monotonic()
# Simulating a long running process
time.sleep(5)
end = time.monotonic()

elapsed_time = end - start
print(f'The process took {elapsed_time} seconds to complete.')

範例 – 速率限制器

---

速率限制器 (RateLimiter) 是一種工具，用於監視實體 (例如：使用者或 IP address) 在一定時間內 (例如：一分鐘或一秒) 向 server 或 application 發出的 request 數量。 如果 request 超過限制，則速率限制器會阻止所有超出的調用。通常用於防止 server 同時被太多 request 淹沒，來維持 server 健康。例如：防止濫用、減少垃圾郵件。

想像一下您有一個程序，其中某些部分每秒執行次數不得超過一次。 您可以實現一個簡單的速率限制器，來強制執行此限制。

SimpleRateLimiter Class 有一個 is_allowed 方法，用於檢查當前時間 (monotonic()) 是否大於或等於 self.allow_request。

如果是，則意味著自上次允許執行以來已經過去了 1 秒 (或更多)。因此將 self.allow_request 設置為當前時間加 1 秒，並返回 True。 如果不是，則表示已經過去了不到 1 秒，所以返回 False。

在循環中，我們嘗試每 0.5 秒執行一些程式碼。 但我們設置的速率限制器只允許它每 1 秒執行一次。 因此，一半的執行嘗試將被阻止。

這種簡單的速率限制器不允許流量突發。 無論之前的活動如何，它每秒只允許一個請求。

PYTHON

import time

class SimpleRateLimiter:
    def __init__(self):
        self.allow_request = time.monotonic()

    def is_allowed(self):
        current_time = time.monotonic()
        if self.allow_request <= current_time:
            self.allow_request = current_time + 1.0
            return True
        return False

def my_func():
    #print("Called!")
    ...

rate_limiter = SimpleRateLimiter()

# Simulate 20 requests
for i in range(20):
    time.sleep(0.5)  # Simulate processing tasks
    if rate_limiter.is_allowed():
        print(f"Execution user is allowed.")
        my_func()
    else:
        print(f"Execution user is blocked.")

執行結果：

Execution user is allowed.
Execution user is blocked.
Execution user is allowed.
Execution user is blocked.
Execution user is allowed.
Execution user is blocked.
...

速率限制器 – 正式版

---

PYTHON

import time

class RateLimiter:
    def __init__(self, max_calls_per_second):
        self.max_calls_per_second = max_calls_per_second
        self.last_call = None

    def call(self, func, *args, **kwargs):
        now = time.monotonic()
        if self.last_call is not None and (now - self.last_call < 1 / self.max_calls_per_second):
            return "Rate limit exceeded"
        else:
            self.last_call = now
            return func(*args, **kwargs)

rate_limiter = RateLimiter(1)  # Allow 1 call per second

def my_func():
    return "Called!"

# Call the function within the rate limit
print(rate_limiter.call(my_func))  # Outputs: "Called!"
print(rate_limiter.call(my_func))  # Outputs: "Rate limit exceeded"

速率限制器 – Pythonic

---

在此示例中，rate_limited 是一個 decorator factory。 它將每秒最大調用次數作為輸入，並返回一個 decorator。

這種方法可以說更Pythonic，因為它將速率限制邏輯封裝到單個 decorator 中，然後只需在函數定義之前添加 @rate_limited(max_calls_per_second) 即可輕鬆應用於任何函數。

Decorators Class 和 Decorators function 之間的選擇，通常可以歸結為個人偏好、用例特殊性或風格。

如果 Decorator 需要在調用被 decorated function 之間維護狀態或提供額外的交互方法，則 decorator Class 可能更合適。

PYTHON

import time

def rate_limited(max_calls_per_second):
    last_called = 0.0
    def decorator(func):
        def wrapper(*args, **kwargs):
            nonlocal last_called
            now = time.monotonic()
            if now - last_called < 1 / max_calls_per_second: # Set certain rate 
                return "Rate limit exceeded"
            else:
                last_called = now
                return func(*args, **kwargs)
        return wrapper
    return decorator

@rate_limited(1)  # Allow 1 call per second
def my_func():
    return "Called!"

# Call the function within the rate limit
print(my_func())  # Outputs: "Called!"
time.sleep(1)
print(my_func())  # Outputs: "Called!"
print(my_func())  # Outputs: "Rate limit exceeded"

PYTHON

import time

class RateLimiter:
	def __init__(self, max_calls_per_second):
		self.max_calls_per_second = max_calls_per_second
		self.last_call = 0
		self.__count = 0

	def __call__(self, func):
		def wrapper(*args, **kwargs):
			now = time.monotonic()
			if now - self.last_call < 1 / self.max_calls_per_second:
				return "Rate limit exceeded"
			else:
				self.__count += 1
				self.last_call = now
				return func(*args, **kwargs)
		return wrapper

	@property
	def counter(self):
		return self.__count

limiter = RateLimiter(1)  # Allow 1 call per second

@limiter
def my_func():
	return "Called!"

# Call the function within the rate limit
print(my_func())	   # Outputs: "Called!"
time.sleep(1)
print(my_func())	   # Outputs: "Called!"
print(my_func())	   # Outputs: Rate limit exceeded

print(limiter.counter) # Outputs: 2

範例 – Token 存儲桶速率限制器

---

該程式碼實現了一種稱為 token bucket (桶) 的速率限制策略。重新填充的 Tokens 數量永遠不會超過 max_rate。 Request 消耗存儲桶中的 Token。 如果桶中沒有剩餘 Tokens，則 request 將被丟棄或排隊等待稍後處理。

如果 Token 被消耗，則返回 True。 如果自上次消耗 Token 以來，沒有重新填充足夠的 Token，則返回 False。 在這種情況下，程序會休眠一小段時間，然後再重試。

該算法跟蹤經過的時間和 Tokens，使其能夠順利處理突發性 requests。

PYTHON

from math import ceil
import time

class RateLimiter:
	def __init__(self, max_rate):
		self.max_rate = max_rate
		self.tokens = max_rate
		self.last_refill = time.monotonic()

	def consume(self):
		now = time.monotonic()
		elapsed = now - self.last_refill
		# Refills the token bucket
		self.tokens += elapsed * self.max_rate  
		# ensures that the number of tokens in the bucket never exceeds "max_rate"
		self.tokens = min(self.tokens, self.max_rate)
		if self.tokens < 1.0:
			return False

		self.tokens -= 1.0
		self.last_refill = now
		return True

	@property
	def tokensc(self):
		return self.tokens

	@tokensc.setter
	def tokensc(self, value):
		self.tokens = value
		self.max_rate = value

def my_func():
	#print("Called!")
	...

rate_limiter = RateLimiter(1.0)
rate_limiter.tokensc = 10.0

# Simulate 10 requests
for i in range(10):
	while not rate_limiter.consume():
		time.sleep(0.1)
	print(f'Request {i + 1} processed. Tokens left: {int(rate_limiter.tokensc)}')
	my_func()

rate_limiter.tokensc = 1.0

# Simulate 10 requests
for i in range(10):
	while not rate_limiter.consume():
		time.sleep(0.1)
	print(f'Request {i + 1} processed. Tokens left: {int(rate_limiter.tokensc)}')
	my_func()

執行結果：

Request 1 processed. Tokens left: 9
Request 2 processed. Tokens left: 8
Request 3 processed. Tokens left: 7
Request 4 processed. Tokens left: 6
Request 5 processed. Tokens left: 5
Request 6 processed. Tokens left: 4
Request 7 processed. Tokens left: 3
Request 8 processed. Tokens left: 2
Request 9 processed. Tokens left: 1
Request 10 processed. Tokens left: 0
Request 1 processed. Tokens left: 0
Request 2 processed. Tokens left: 0
Request 3 processed. Tokens left: 0
...

perf_counter(), perf_counter_ns()

---

perf_counter() 具有最高可用解析度的時鐘 (最精確的可用計時器)，常用於測量短的持續時間。 返回 Performance Counter (效能計數器) 的值 (以秒為單位)。返回值的參考點是未定義的，因此只有兩次調用結果之間的差異才有效。

perf_counter_ns() 與 perf_counter() 類似，但以奈秒 (nanoseconds) 為單位。可以避免 float 帶來的精準度損失。

process_time(), process_time_ns()

---

process_time() 返回當前 process 的系統和使用者 CPU 時間的總和。 它不包括睡眠期間經過的時間 (sleep())。 返回值的參考點是未定義的，因此只有兩次調用結果之間的差異才有效。

process_time_ns() 與 process_time() 類似，但以奈秒 (nanoseconds) 為單位。可以避免 float 帶來的精準度損失。

PYTHON

import time

# Start the timers
start_process_time = time.process_time()
start_perf_counter = time.perf_counter()

# Run a loop for a bit
for _ in range(1000000):
    pass

# Sleep for a bit
time.sleep(2)

# Stop the timers
end_process_time = time.process_time()
end_perf_counter = time.perf_counter()

print('process_time:', end_process_time - start_process_time)
# Output: 0.0156 s

print('perf_counter:', end_perf_counter - start_perf_counter)
# Output: 2.0361 s

thread_time(), thread_time_ns()

---

返回當前 thread 的系統和使用者 CPU 時間之和的值 (以秒為單位)。 它不包括睡眠期間經過的時間 (sleep())。返回值的參考點是未定義的，因此只有同一 thread 中兩次調用結果之間的差異才有效。

thread_time_ns() 與 thread_time() 類似，但以奈秒 (nanoseconds) 為單位。可以避免 float 帶來的精準度損失。

由於全域直譯器鎖 (GIL)，在 Python thread 中，運行的 CPU 密集型任務不會 Parallel，而是會 Concurrency。詳見：concurrent.futures【執行緒、程序】。

PYTHON

import time
import concurrent.futures

def cpu_intensive_task(thread_num):
    start_time = time.thread_time()
    for i in range(10**7): # A simple CPU intensive task
        pass
    end_time = time.thread_time()
    return f"Thread time taken by cpu_intensive_task in Worker-{thread_num}: {end_time - start_time} sec"

# Create ThreadPoolExecutor
with concurrent.futures.ThreadPoolExecutor(max_workers=5) as executor:
    # Use list comprehension to create futures
    futures = [executor.submit(cpu_intensive_task, i) for i in range(5)]
    for future in concurrent.futures.as_completed(futures):
        print(future.result())

執行結果：

Thread time taken by cpu_intensive_task in Worker-0: 0.09375 sec
Thread time taken by cpu_intensive_task in Worker-2: 0.109375 sec
Thread time taken by cpu_intensive_task in Worker-1: 0.109375 sec
Thread time taken by cpu_intensive_task in Worker-3: 0.109375 sec
Thread time taken by cpu_intensive_task in Worker-4: 0.109375 sec