当前位置:首页 > 文章列表 > 文章 > php教程 > PHP PHP-FPM worker 并发 怎样处理

PHP PHP-FPM worker 并发 怎样处理

来源:17golang原创 2026-10-22 08:00:02 0浏览 收藏

我处理 PHP-FPM 并发时,最先改掉的习惯是“看到请求排队就把 worker 调大”。PHP-FPM 的并发上限首先受 pm.max_children 控制,但每个 worker 都会占用内存、连接和文件描述符;数量过大时,排队可能变成交换、数据库连接耗尽或整体抖动。

官方地址:https://www.php.net/manual/en/install.fpm.php

实际处理顺序应该是:先确认当前池的进程模型,再用 FPM 状态页判断是否真的触顶,随后结合慢日志和下游资源决定是否调整 pm.max_children。低频站点优先考虑 ondemand,持续流量通常从 dynamic 开始;pm.max_requests 只负责 worker 的生命周期回收,不会直接提高并发。

先把 PHP-FPM worker 并发看成容量关系

PHP-FPM 的 master 进程负责管理 worker,worker 一次处理一个 FastCGI 请求。官方配置手册把 pm.max_children 定义为同时处理请求的上限:static 模式下它是固定子进程数,dynamic 和 ondemand 下它是可创建的最大子进程数。它不是“CPU 核数乘以某个固定倍数”,因为请求可能同时等待数据库、外部 HTTP 或文件系统。

PHP-FPM 请求入口、master、worker 池和 pm.max_children 容量边界的静态关系说明图
图1:PHP-FPM 并发容量结构说明图,展示请求入口、进程管理与资源上限之间的静态关系,不是运行截图。

因此,调整前先回答三个问题:

  • 当前 worker 是否经常达到 pm.max_children;
  • 达到上限时,请求是 CPU 忙、PHP 代码慢,还是下游资源在等待;
  • 把 worker 增加后,内存和数据库连接是否仍有余量。

按请求到达模式选择 pm

static 直接保持固定数量的 worker,适合流量稳定且内存预算明确的池;它的优点是容量容易估算,代价是低峰期也会保留这些进程。

dynamic 根据 pm.start_servers、pm.min_spare_servers、pm.max_spare_servers 和 pm.max_children 调节常驻规模,通常更适合有明显高低峰但希望保留一部分热进程的站点。

ondemand 在请求到达时创建 worker,空闲达到 pm.process_idle_timeout 后回收,适合后台管理、低频接口或多个很少同时访问的池。它可能带来首次请求的进程创建成本,所以不能只看“空闲时省内存”。

; 这是 PHP-FPM pool 的示意配置,数值应按本机资源预算调整
[www]
pm = dynamic
pm.max_children = 24
pm.start_servers = 4
pm.min_spare_servers = 4
pm.max_spare_servers = 12
; 低频池可改为 ondemand,并设置空闲 worker 的回收时间
; pm = ondemand
; pm.process_idle_timeout = 10s

配置文件改动后要按发行版实际服务名执行语法检查、平滑重载并观察变化;不要把“配置已经写入文件”当成“新 worker 数已经生效”。

用状态页和慢日志判断是否真的触顶

PHP-FPM 状态页提供活动进程、空闲进程和 max children reached 等信息。这个字段表示曾经达到过进程上限,但它本身不能说明应该增加多少 worker;还要结合请求耗时和宿主机内存看。

如果状态页显示上限被触发,同时慢日志里有长时间占用 worker 的请求,应先定位慢查询、外部 HTTP 或锁等待。单纯加大 worker 可能让更多请求一起卡在同一个下游。若 PHP 请求本身很快,但高峰期偶发触顶,可以小步增加上限,再观察内存、数据库连接和排队是否同步改善。

; 开启慢日志和慢请求栈深度,用于定位长时间占用 worker 的请求
request_slowlog_timeout = 5s
slowlog = /var/log/php-fpm/www-slow.log
request_slowlog_trace_depth = 20
; 状态页路径要限制在内网或已知客户端,不能公开暴露
PHP-FPM 状态页、慢日志、worker 生命周期和下游资源的静态关系说明图
图2:并发排查观察结构图,把状态页、慢日志、worker 回收和下游资源放在同一张说明图中,不是实际监控截图。

用 pm.max_requests 管理 worker 生命周期

pm.max_requests 表示每个子进程处理多少请求后重新生成,官方文档说明它可以用于缓解第三方库造成的内存泄漏;设为 0 表示不限制。它是回收策略,不是并发扩容开关。

; 每个 worker 处理一段请求后重建,避免长期累积的进程内存持续上涨
pm.max_requests = 500

这个值不应照抄。重建过于频繁会增加创建进程和预热成本;完全不回收又可能让偶发的进程内存增长长期保留。比较稳妥的做法是先记录 worker 常驻内存走势,再从较大的值开始观察重建频率和延迟变化。

最后按资源预算小步调整

可以把一次调整拆成下面这张表,先从最小变化开始:

现象优先检查处理方向
频繁触发 max children请求耗时、内存、数据库连接确认资源有余量后小步增加上限
低峰常驻大量 worker池的请求到达频率考虑 dynamic 或 ondemand
进程内存随时间上涨第三方扩展、长生命周期代码设置 pm.max_requests 并定位泄漏来源
worker 很多但响应仍慢慢查询、外部服务、锁等待先修下游瓶颈,不继续堆 worker

我通常会把单 worker 的稳定内存占用乘以目标 worker 数,再给系统、Web 服务器、数据库客户端和突发留出余量;这是容量估算,不是 PHP 官方固定公式。调整后只改变一个主要变量,并记录状态页、慢日志和主机资源的变化,下一轮才有可比较的依据。

常见问题

pm.max_children 越大并发就越高吗?它提高的是 FPM 同时处理请求的进程上限,但最终吞吐还受 CPU、内存、数据库和外部服务限制。

pm.max_requests 能解决请求排队吗?不能。它控制 worker 处理请求后的重建时机,排队仍应从进程上限和单请求耗时入手。

状态页显示 max children reached 就一定要扩容吗?不一定。先确认触顶时是否存在慢请求或下游瓶颈,资源有余量时才适合小步调整。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Symfony Messenger Worker 怎样限制单次处理数量Symfony Messenger Worker 怎样限制单次处理数量
上一篇
Symfony Messenger Worker 怎样限制单次处理数量
PHP OPcache 缓存命中 怎样处理
下一篇
PHP OPcache 缓存命中 怎样处理
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    592次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    628次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    661次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    631次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    445次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码