您的位置:首页 > 文旅 > 旅游 > app开发公司排行榜做软件的公司_seo竞价是什么意思_常见的网络营销方式_五个成功品牌推广案例

app开发公司排行榜做软件的公司_seo竞价是什么意思_常见的网络营销方式_五个成功品牌推广案例

2025/1/8 11:58:25 来源:https://blog.csdn.net/Alex_81D/article/details/144741963  浏览:    关键词:app开发公司排行榜做软件的公司_seo竞价是什么意思_常见的网络营销方式_五个成功品牌推广案例
app开发公司排行榜做软件的公司_seo竞价是什么意思_常见的网络营销方式_五个成功品牌推广案例

1.问题背景

最近在使用Flask框架的flask_sqlalchemy时,突然遇到这个错误:

QueuePool limit of size 5 overflow 10 reached, connection timed out, timeout 30.00 (Background on this error at: https://sqlalche.me/e/20/3o7r)

 问题出来,刚开始无从下手,以为框架出问题了,经过对官方的研究和网友们的提示,最终整理一下,为以后遇到此类问题做个积累。

2.问题分析:

产生该问题的原因是因为 SQLAlchemy 连接池的配置问题、并发太高等都可能引起该错误,

还有一个典型的错误原因是,在客户端发送一个请求后, flask后台执行一个数据库操作,随后进行某种逻辑操作,如果该逻辑出现错误,会为客户端返回500错误码,此时该连接未释放,因此会导致数据库连接池继续占用。

2.1 方式一:增加数据库连接池

可以增加数据库连接池的数量进行更新,更改的方式如下:

from flask import Flask
app = Flask(__name__)# 解决跨域
CORS(app)app.config['SQLALCHEMY_DATABASE_URI'] = f"mysql+pymysql://root:{encoded_password}@127.0.0.1:3306/test"
app.config['SQLALCHEMY_TRACK_MODIFICATIONS'] = False
app.config['SQLALCHEMY_POOL_SIZE'] = 100
# 自动提交映射数据
app.config['SQLALCHEMY_COMMIT_ON_TEARDOWN'] = True

其中这个是核心,这个就是解决这个问题的方式之一:(本例中将数据库连接池改为100,大家根据自己的需求进行相应的更新)

app.config['SQLALCHEMY_POOL_SIZE'] = 100

提供一下官方的地址,可以进行查看 

Configuration — Flask-SQLAlchemy Documentation (3.1.x)

Flask的SQLAlchemy — Flask Documentation (3.0.x)

SQLAlchemy - The Database Toolkit for Python

如果采用 db.create_engine 这种方式,没有设置pool_size的大小,默认为5。加上pool_size=100后,此问题不再出现。可以这么设置:

engin = db.create_engine("mysql://root:password@localhost:3306/dbname?charset=utf8", pool_size=100, max_overflow=20)

2.2 方案二:增加try_except

    try:r = requests.get('http://github.com', timeout=0.001)except:r = None

https://blog.csdn.net/weixin_42474540/article/details/105087429

3.问题解决后,再提几个细节上的内容

import urllib.parse

password = "abc@123"
encoded_password = urllib.parse.quote(password)

然后这么去使用:

app.config['SQLALCHEMY_DATABASE_URI'] = f"mysql+pymysql://root:{encoded_password}@127.0.0.1:3306/test"

这样就能避免当你密码中带特殊符号的特殊情况了

https://blog.csdn.net/qq_41020281/article/details/82433096

https://blog.csdn.net/byna11sina11/article/details/120343803

4.线程池样例编写

# 创建线程池,设置最大线程数(根据机器性能、IO密集型还是CPU密集型进行合理设置线程数的大小)
vector_executor = ThreadPoolExecutor(max_workers=5)
# 线程池方法调用
futures = [vector_executor.submit(vector_task, [id]) for id in ids]# 异步执行向量化,定义线程池和任务函数
def vector_task(id_tuple):pass

版权声明:

本网仅为发布的内容提供存储空间,不对发表、转载的内容提供任何形式的保证。凡本网注明“来源:XXX网络”的作品,均转载自其它媒体,著作权归作者所有,商业转载请联系作者获得授权,非商业转载请注明出处。

我们尊重并感谢每一位作者,均已注明文章来源和作者。如因作品内容、版权或其它问题,请及时与我们联系,联系邮箱:809451989@qq.com,投稿邮箱:809451989@qq.com