㈠ php怎麼判斷協程是否執行完畢
最傳統的做法是lockfile。
若lockfile存在，說明前一次的腳畢櫻本沒有結束。
php的協埋數毀程是新引入的Fiber類的實例，該類的構造方法接受一個callable類型的參數。這個參數彎備可以是匿名函數、函數變數或者實現了invoke的對象。
callable類型可以接收參數，該參數在調用Fiber實例的start方法時傳入。
㈡ 寫後端 python，nodejs和php哪個更好一些
Node.js相優於Python的地方：快：這個快有兩方面，第一是V8引擎快，第二是非同步執行，Node.js功能上是一個基於V8引擎的非同步網路和IOLibrary，和Python的Twisted很像，不同的是Node.js的eventloop是很底層的深入在語言中的，可以想像成整個文件在執行的時候就在一個很大的eventloop里；npm：npm可以說是用起來最順手的packagemanagement了，npm作為Node.js的官方packagemanagement，匯集了整個社區最集中的資源；不像Python經歷過easy_install和pip，還有2to3的問題；Windows支持：Node.js有微軟的加持，Windows基本被視為一等公民來支持，libuv已經可以很好的做到統一跨平台的API；而Python雖然也對Windows有官方的支持，但是總感覺是二等公民，時不時出些問題。Python優於Node.js的地方：語言：就單純從語言的角度來說，Python寫起來要比Javascript舒服很多；Javascript設計本身有許多缺陷，畢竟當時設計的時候只是作為在瀏覽器中做一些簡單任務的script，所以代碼一旦龐大，維護還是有困難（不過Node.js的mole很大的改善了這個問題），不過用Coffeescript可以很大的改善Javascript，幾乎可以和Python等同；成熟：成熟包括語言本身已經成熟，還有Framework和ecosystem也很龐大。Node.js的絕大多數framework都很新，有的API一直在變，有的感覺已經不在維護，總之沒有一個像Django那種百足之蟲感覺的framework。Python的主流ORMSQLalchemy也很成熟。Python和Node.js很難分高下的地方：非同步Style：Node.js的非同步Style是CPS，也就是層層callback，基於event，和瀏覽器中的Javascript很像。CPS好處是讓熟悉瀏覽器Javascript的人能很快上手，學習難度也不大。缺點是邏輯一復雜，就變得很難維護，基本上需要通過async.js這種library，或者用promise。Python的非同步除了和Node.js很像的Twisted之外，也有基於coroutine的gevent，coroutine讓非同步代碼維護起來更容易，不過學習曲線陡；應用場景：如果是一個CRUD的app，那麼想都不想直接是Python，Node.js本身不擅長CRUD的app（絕大多數Node.js都是直接裸在外面的，而不是有一個Nginx在前面，否則websocket就不能用了，不過新版nginx開始支持websocket），代碼又不好維護，而Python的WSGI很適合，成熟的stack也有很多。如果更偏向於real-time，比如一個chatroom，那麼Node.js實現更容易。這兩個應用場景還是有差別的。
㈢ Php判斷協程是否執行完畢
腳本開始執行時，判斷是否存在一個指定的文件，這個文件稱之為lockfile。
lockfile不存在，說明之前的腳本跑完了，創建該文件，繼續執行，腳此彎旦本執行結束時，刪除該文件。
PHP即超文本預處理器，是一種通用開源腳本語言。
PHP是在伺服器端執行的腳本語言，與C語言類似，是常用的網站編程語言。PHP獨特的語法混合了C、Java、森擾Perl以及PHP自創的語法。利於學習，使用廣泛，主要適用於Web開發鬧戚領域。
㈣ 我為什麼說 Python 是大數據全棧式開發語言 怎樣成為數據分析師
就像只要會JavaScript就可以寫出完整的Web應用，只要會Python，就可以實現一個完整的大數據處理平台。
雲基礎設施
這年頭，不支持雲平台，不支持海量數據，不支持動態伸縮，根本不敢說自己是做大數據的，頂多也就敢跟人說是做商業智能（BI）。
雲平台分為私有雲和公有雲。私有雲平台如日中天的 OpenStack
，就是Python寫的。曾經的追趕者CloudStack，在剛推出時大肆強調自己是Java寫的，比Python有優勢。結果，搬石砸腳，2015年
初，CloudStack的發起人Citrix宣布加入OpenStack基金會，CloudStack眼看著就要壽終正寢。
如果嫌麻煩不想自己搭建私有雲，用公有雲，不論是AWS，GCE，Azure，還是阿里雲，青雲，在都提供了Python SDK，其中GCE只提供Python和JavaScript的SDK，而青雲只提供Python SDK。可見各家雲平台對Python的重視。
提到基礎設施搭建，不得不提Hadoop，在今天，Hadoop因為其MapRece數據處理速度不夠快，已經不再作為大數據處理的首選，但
是HDFS和Yarn——Hadoop的兩個組件——倒是越來越受歡迎。Hadoop的開發語言是Java，沒有官方提供Python支持，不過有很多第
三方庫封裝了Hadoop的API介面（pydoop，hadoopy等等）。
Hadoop MapRece的替代者，是號稱快上100倍的 Spark ，其開發語言是Scala，但是提供了Scala，Java，Python的開發介面，想要討好那麼多用Python開發的數據科學家，不支持Python，真是說不過去。HDFS的替代品，比如GlusterFS， Ceph 等，都是直接提供Python支持。Yarn的替代者， Mesos 是C++實現，除C++外，提供了Java和Python的支持包。
DevOps
DevOps有個中文名字，叫做 開發自運維 。互聯網時代，只有能夠快速試驗新想法，並在第一時間，安全、可靠的交付業務價值，才能保持競爭力。DevOps推崇的自動化構建/測試/部署，以及系統度量等技術實踐，是互聯網時代必不可少的。
自動化構建是因應用而易的，如果是Python應用，因為有setuptools, pip, virtualenv, tox,
flake8等工具的存在，自動化構建非常簡單。而且，因為幾乎所有Linux系統都內置Python解釋器，所以用Python做自動化，不需要系統預
安裝什麼軟體。
自動化測試方面，基於Python的 Robot Framework 企業級應用最喜歡的自動化測試框架，而且和語言無關。Cucumber也有很多支持者，Python對應的Lettuce可以做到完全一樣的事情。 Locust 在自動化性能測試方面也開始受到越來越多的關注。
自動化配置管理工具，老牌的如Chef和Puppet，是Ruby開發，目前仍保持著強勁的勢頭。不過，新生代 Ansible 和 SaltStack ——均為Python開發——因為較前兩者設計更為輕量化，受到越來越多開發這的歡迎，已經開始給前輩們製造了不少的壓力。
在系統監控與度量方面，傳統的Nagios逐漸沒落，新貴如 Sensu 大受好評，雲服務形式的New Relic已經成為創業公司的標配，這些都不是直接通過Python實現的，不過Python要接入這些工具，並不困難。
除了上述這些工具，基於Python，提供完整DevOps功能的PaaS平台，如 Cloudify 和 Deis ，雖未成氣候，但已經得到大量關注。
網路爬蟲
大數據的數據從哪裡來？除了部分企業有能力自己產生大量的數據，大部分時候，是需要靠爬蟲來抓取互聯網數據來做分析。
網路爬蟲是Python的傳統強勢領域，最流行的爬蟲框架Scrapy，HTTP工具包urlib2，HTML解析工具beautifulsoup，XML解析器lxml，等等，都是能夠獨當一面的類庫。
不過，網路爬蟲並不僅僅是打開網頁，解析HTML這么簡單。高效的爬蟲要能夠支持大量靈活的並發操作，常常要能夠同時幾千甚至上萬個網頁同時抓取，傳統的
線程池方式資源浪費比較大，線程數上千之後系統資源基本上就全浪費在線程調度上了。Python由於能夠很好的支持協程（ Coroutine ）操作，基於此發展起來很多並發庫，如Gevent，Eventlet，還有Celery之類的分布式任務框架。被認為是比AMQP更高效的ZeroMQ也是最早就提供了Python版本。有了對高並發的支持，網路爬蟲才真正可以達到大數據規模。
抓取下來的數據，需要做分詞處理，Python在這方面也不遜色，著名的自然語言處理程序包NLTK，還有專門做中文分詞的Jieba，都是做分詞的利器。
數據處理
萬事俱備，只欠東風。這東風，就是數據處理演算法。從統計理論，到數據挖掘，機器學習，再到最近幾年提出來的深度學習理論，數據科學正處於百花齊放的時代。數據科學家們都用什麼編程？
如果是在理論研究領域，R語言也許是最受數據科學家歡迎的，但是R語言的問題也很明顯，因為是統計學家們創建了R語言，所以其語法略顯怪異。而且
R語言要想實現大規模分布式系統，還需要很長一段時間的工程之路要走。所以很多公司使用R語言做原型試驗，演算法確定之後，再翻譯成工程語言。
Python也是數據科學家最喜歡的語言之一。和R語言不同，Python本身就是一門工程性語言，數據科學家用Python實現的演算法，可以直
接用在產品中，這對於大數據初創公司節省成本是非常有幫助的。正式因為數據科學家對Python和R的熱愛，Spark為了討好數據科學家，對這兩種語言
提供了非常好的支持。
Python的數據處理相關類庫非常多。高性能的科學計算類庫NumPy和SciPy，給其他高級演算法打了非常好的基礎，matploglib讓
Python畫圖變得像Matlab一樣簡單。Scikit-learn和Milk實現了很多機器學習演算法，基於這兩個庫實現的 Pylearn2 ，是深度學習領域的重要成員。 Theano 利用GPU加速，實現了高性能數學符號計算和多維矩陣計算。當然，還有 Pandas ，一個在工程領域已經廣泛使用的大數據處理類庫，其DataFrame的設計借鑒自R語言，後來又啟發了Spark項目實現了類似機制。
對了，還有 iPython ，這個工具如此有用，以至於我差點把他當成標准庫而忘了介紹。iPython是一個互動式Python運行環境，能夠實時看到每一段Python代碼的結果。默認情況下，iPython運行在命令行，可以執行 ipython notebook 在網頁中運行。用matplotlib繪制的圖可以直接嵌入式的顯示在iPython Notebook中。
iPython Notebook的筆記本文件可以共享給其他人，這樣其他人就可以在自己的環境中重現你的工作成果；如果對方沒有運行環境，還可以直接轉換成HTML或者PDF。
為什麼是Python
正是因為應用開發工程師、運維工程師、數據科學家都喜歡Python，才使得Python成為大數據系統的全棧式開發語言。
對於開發工程師而言，Python的優雅和簡潔無疑是最大的吸引力，在Python互動式環境中，執行 import this
，讀一讀Python之禪，你就明白Python為什麼如此吸引人。Python社區一直非常有活力，和NodeJS社區軟體包爆炸式增長不
同，Python的軟體包增長速度一直比較穩定，同時軟體包的質量也相對較高。有很多人詬病Python對於空格的要求過於苛刻，但正是因為這個要求，才
使得Python在做大型項目時比其他語言有優勢。OpenStack項目總共超過200萬行代碼，證明了這一點。
對於運維工程師而言，Python的最大優勢在於，幾乎所有Linux發行版都內置了Python解釋器。Shell雖然功能強大，但畢竟語法不夠優雅，寫比較復雜的任務會很痛苦。用Python替代Shell，做一些復雜的任務，對運維人員來說，是一次解放。
對於數據科學家而言，Python簡單又不失強大。和C/C++相比，不用做很多的底層工作，可以快速進行模型驗證；和Java相比，Python語法簡
潔，表達能力強，同樣的工作只需要1/3代碼；和Matlab，Octave相比，Python的工程成熟度更高。不止一個編程大牛表達過，Python
是最適合作為大學計算機科學編程課程使用的語言——MIT的計算機入門課程就是使用的Python——因為Python能夠讓人學到編程最重要的東西——
如何解決問題。
㈤ php協程是真正非同步並且io復用的嗎
不是。非同步其實就是多線程。。啟用一個線程池中的線程，去執行IO的工作，而主線程則繼續向下執行。。。外在的表象，稱之為非同步，內在的原理，其實是多線程
由於PHP無法操作線程池中的線程，所以也就不存在真正的非同步。協程是靠語法層面實現的，本質上其實是個迭代器。僅僅是"看起來像多線程"而已。本質上依然是單線程。
目前主流的WEB後端語言，可以真正操控線程的，其實只有JAVA和C#。。。弱類型語言，全是靠協程來實現的「偽多線程」。在高迸發的情況下，根本不頂用。只能說「總比沒有強點」
但是有些WEB框架，可以藉助C語言，慎肢實現多線程IO，實際效果會比協程好非常多。。。比如Python的Tornado、Twisted、Gevent等框架，JAVASCRIPT的Node.JS框架等，都是藉助C語言實現了IO部分的多線程。。雖然比不上JAVA和C#的「源生多線程」，但至埋判少比協寬液世程強多了。至於PHP，目前倒是還沒聽說過這種框架。