python分布式环境下的限流器的示例分布式环境下的限流器的示例
项目中用到了限流，受限于一些实现方式上的东西，手撕了一个简单的服务端限流器。
服务端限流和客户端限流的区别，简单来说就是：
1）服务端限流）服务端限流
对接口请求进行限流，限制的是单位时间内请求的数量，目的是通过有损来换取高可用。
例如我们的场景是，有一个服务接收请求，处理之后，将数据bulk到Elasticsearch中进行索引存储，bulk索引是一个很耗费资
源的操作，如果遭遇到请求流量激增，可能会压垮Elasticsearch（队列阻塞，内存激增），所以需要对流量的峰值做一个限
制。
2）客户端限流）客户端限流
限制的是客户端进行访问的次数。
例如，线程池就是一个天然的限流器。限制了并发个数max_connection，多了的就放到缓冲队列里排队，排队搁不下了
>queue_size就扔掉。
本文是服务端限流器。本文是服务端限流器。
我这个限流器的优点：
1）简单
2）管事
缺点：
1）不能做到平滑限流
例如大家尝尝说的令牌桶算法和漏桶算法（我感觉这两个算法本质上都是一个事情）可以实现平滑限流。什么是平滑限流？举
个栗子，我们要限制5秒钟内访问数不超过1000，平滑限流能做到，每秒200个，5秒钟不超过1000，很平衡；非平滑限流可
能，在第一秒就访问了1000次，之后的4秒钟全部限制住。•2）不灵活
只实现了秒级的限流。
支持两个场景：支持两个场景：
1）对于单进程多线程场景（使用线程安全的Queue做全局变量）
这种场景下，只部署了一个实例，对这个实例进行限流。在生产环境中用的很少。
2）对于多进程分布式场景（使用redis做全局变量）
多实例部署，一般来说生产环境，都是这样的使用场景。
在这样的场景下，需要对流量进行整体的把控。例如，user服务部署了三个实例，对外暴露query接口，要做的是对接口级的
流量限制，也就是对query这个接口整体允许多大的峰值，而不去关心到底负载到哪个实例。
题外话，这个可以通过nginx做。
下面说一下限流器的实现吧。下面说一下限流器的实现吧。
1、接口、接口BaseRateLimiter
按照我的思路，先定义一个接口，也可以叫抽象类。
初始化的时候，要配置rate，限流器的限速。
提供一个抽象方法，acquire()，调用这个方法，返回是否限制流量。
class BaseRateLimiter(object):
__metaclass__ = abc.ABCMeta
@abc.abstractmethod
def __init__(self, rate):
self.rate = rate
资源评论
