本文主要是介绍突破性能瓶颈:使用Asyncio构建高并发Python应用程序,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
是一种处理多个任务同时执行的编程方式,在Python中,asyncio
是一种用于实现异步编程的强大工具。asyncio
基于协程(coroutine)的概念,能够高效地处理I/O密集型任务。本文将介绍asyncio
的基本原理和使用方法。
为啥需要asyncio
我们知道,在处理 I/O 操作时,使用多线程与普通的单线程相比,效率得到了极大的提高。既然这样,为什么还需要 Asyncio?
多线程有诸多优点且应用广泛,但也存在一定的局限性:
比如,多线程运行过程容易被打断,因此有可能出现 race condition 的情况;
再如,线程切换本身存在一定的损耗,线程数不能无限增加,因此,如果你的 I/O 操作非常 heavy,多线程很有可能满足不了高效率、高质量的需求。
正是为了解决这些问题,Asyncio 应运而生。
Sync VS Async
我们首先来区分一下 Sync(同步)和 Async(异步)的概念。
- 所谓 Sync,是指操作一个接一个地执行,下一个操作必须等上一个操作完成后才能执行。
- 而 Async 是指不同操作间可以相互交替执行,如果其中的某个操作被 block 了,程序并不会等待,而是会找出可执行的操作继续执行。
Asyncio 工作原理
协程(Coroutines):Asyncio 使用协程来实现异步操作。协程是一种特殊的函数,使用 async 关键字定义。在协程中,可以使用 await 关键字暂停当前协程的执行,等待一个异步操作完成。
事件循环(Event Loop):事件循环是 Asyncio 的核心机制之一。它负责调度和执行协程,并处理协程之间的切换。事件循环会不断地轮询可执行的任务,一旦某个任务就绪(如 IO 完成或定时器到期),事件循环会将其放入执行队列并继续执行下一个任务。
异步任务(Async Tasks):在 Asyncio 中,我们通过创建异步任务来执行协程。异步任务由 asyncio.create_task() 函数创建,它将协程封装成一个可等待对象,并提交给事件循环进行处理。
异步 IO 操作:Asyncio 提供了一组异步的 IO 操作(如网络请求、文件读写等),这些操作可以通过协程和事件循环无缝地进行集成。通过使用异步 IO 操作,可以避免在等待 IO 完成时发生阻塞,提高程序的性能和并发性。
回调(Callbacks):Asyncio 也支持使用回调函数处理异步操作的结果。可以通过使用
asyncio.ensure_future() 函数将回调函数封装为一个可等待对象,并提交给事件循环进行处理。
并发执行:Asyncio 可以并发执行多个协程任务。事件循环会根据任务的就绪情况自动调度协程的执行,从而实现高效的并发编程。
总结起来,Asyncio 的工作原理是基于协程和事件循环的机制。通过使用协程进行异步操作,并由事件循环负责协程的调度和执行,Asyncio 实现了高效的异步编程模型。
协程与异步编程
协程是asyncio
中的重要概念,它是一种轻量级的执行单位,可以在任务之间进行快速切换而无需线程切换的开销。协程可以通过async
关键字定义,而await
关键字用于暂停协程的执行,等待某个操作完成后再继续执行。
以下是一个简单的示例代码,演示了如何使用协程进行异步编程:
import asyncio
async def hello():print("Hello")await asyncio.sleep(1) # 模拟耗时操作print("World")
# 创建一个事件循环
loop = asyncio.get_event_loop()
# 将协程加入事件循环并执行
loop.run_until_complete(hello())
在这个示例中,函数hello()是一个协程,通过async关键字进行定义。在协程内部,我们可以使用await来暂停协程的执行,这里使用asyncio.sleep(1)模拟一个耗时操作。通过run_until_complete()方法,将协程加入事件循环并运行。
异步I/O操作
asyncio
主要用于处理I/O密集型任务,如网络请求、文件读写等操作。它提供了一系列的异步I/O操作API,可与await
关键字配合使用,轻松实现异步编程。
以下是一个简单的示例代码,展示了如何使用asyncio
进行异步网络请求:
import asyncio
import aiohttp
async def fetch(session, url):async with session.get(url) as response:return await response.text()
async def main():async with aiohttp.ClientSession() as session:html = await fetch(session, 'https://www.example.com')print(html)
# 创建一个事件循环
loop = asyncio.get_event_loop()
# 将协程加入事件循环并执行
loop.run_until_complete(main())
在这个示例中,我们使用了aiohttp库进行网络请求。函数fetch()是一个协程,通过session.get()方法发起异步GET请求,并通过await关键字等待响应返回。函数main()是另一个协程,内部创建了一个ClientSession对象来重复使用,然后调用fetch()方法获取网页内容并打印。
注意:
看到这里我们使用了aiohttp而没有使用requests库,是因为requests 库并不兼容 Asyncio,但是 aiohttp 库兼容。
想用好 Asyncio,特别是发挥其强大的功能,很多情况下必须得有相应的 Python 库支持
并发执行多个任务
asyncio
还提供了一些用于并发执行多个任务的机制,如asyncio.gather()
和asyncio.wait()
等。下面是一个示例代码,展示了如何使用这些机制并发执行多个协程任务:
import asyncio
async def task1():print("Task 1 started")await asyncio.sleep(1)print("Task 1 finished")
async def task2():print("Task 2 started")await asyncio.sleep(2)print("Task 2 finished")
async def main():await asyncio.gather(task1(), task2())
# 创建一个事件循环
loop = asyncio.get_event_loop()
# 将协程加入事件循环并执行
loop.run_until_complete(main())
在这个示例中,我们定义了两个协程任务task1()和task2(),它们都进行了一些耗时操作。协程main()通过asyncio.gather()同时启动这两个任务,并等待它们完成。通过并发执行,可以提高程序的执行效率。
如何选择?
实际项目中到底选择多线程还是asyncio
呢?有位大佬这样总结的,很形象
if io_bound:if io_slow:print('Use Asyncio')else:print('Use multi-threading')
else if cpu_bound:print('Use multi-processing')
如果是 I/O bound,并且 I/O 操作很慢,需要很多任务 / 线程协同实现,那么使用 Asyncio 更合适。
如果是 I/O bound,但是 I/O 操作很快,只需要有限数量的任务 / 线程,那么使用多线程就可以了。
如果是 CPU bound,则需要使用多进程来提高程序运行效率。
实战
输入一个列表,对于列表中的每个元素,我想计算 0 到这个元素的所有整数的平方和。
同步实现
import time
def cpu_bound(number):return sum(i * i for i in range(number))
def calculate_sums(numbers):for number in numbers:cpu_bound(number)
def main():start_time = time.perf_counter()numbers = [10000000 + x for x in range(20)]calculate_sums(numbers)end_time = time.perf_counter()print('Calculation takes {} seconds'.format(end_time - start_time))
if __name__ == '__main__':main()
执行时间需要Calculation takes 17.976343413000002 seconds
异步实现
concurrent.futures
实现
import time
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor, as_completed
def cpu_bound(number):return sum(i * i for i in range(number))
def calculate_sums(numbers):with ProcessPoolExecutor() as executor:results = executor.map(cpu_bound, numbers)results = [result for result in results]print(results)
def main():start_time = time.perf_counter()numbers = [10000000 + x for x in range(20)]calculate_sums(numbers)end_time = time.perf_counter()print('Calculation takes {} seconds'.format(end_time - start_time))
if __name__ == '__main__':main()
执行时间需要Calculation takes 7.314132894999999 seconds.
在这个改进的代码中,我们使用 concurrent.futures.ProcessPoolExecutor 来创建一个进程池,然后通过 executor.map() 方法来提交任务和获取结果。
请注意,在使用 executor.map() 后,如果需要获取结果,可以将结果迭代为一个列表,或者使用其他方法对结果进行处理。
multiprocessing实现
import time
import multiprocessing
def cpu_bound(number):return sum(i * i for i in range(number))
def calculate_sums(numbers):with multiprocessing.Pool() as pool:pool.map(cpu_bound, numbers)
def main():start_time = time.perf_counter()numbers = [10000000 + x for x in range(20)]calculate_sums(numbers)end_time = time.perf_counter()print('Calculation takes {} seconds'.format(end_time - start_time))
if __name__ == '__main__':main()
执行用时Calculation takes 6.051121667 seconds
concurrent.futures.ProcessPoolExecutor
和 multiprocessing
都是 Python 中用于实现多进程并发的库,它们有一些区别。
- 基于接口的封装:concurrent.futures.ProcessPoolExecutor 是 concurrent.futures 模块提供的一个高级接口,它对底层的多进程功能进行了封装,使得编写多进程代码更加简单。而 multiprocessing 则是 Python 的标准库之一,提供了完整的多进程支持,并允许直接操作进程。
- API 使用方式:concurrent.futures.ProcessPoolExecutor 的使用方式类似于线程池,它通过提交可调用对象(如函数)到进程池中执行,并返回一个 Future 对象,可以用来获取执行结果。而 multiprocessing 提供了更底层的进程管理和通信接口,可以显式地创建、启动和控制进程,并使用多个进程之间的队列或管道进行通信。
- 可扩展性和灵活性:由于 multiprocessing 提供了更底层的接口,因此它相对于 concurrent.futures.ProcessPoolExecutor 来说更加灵活。通过直接操作进程,可以对每个进程进行更细粒度的控制,如设置进程优先级、进程间共享数据等。而 concurrent.futures.ProcessPoolExecutor 更适合于简单的任务并行化,它隐藏了许多底层的细节,使得编写多进程代码更加简单和易用。
- 跨平台支持:concurrent.futures.ProcessPoolExecutor 和 multiprocessing 都提供了跨平台的多进程支持,可以在各种操作系统上使用。
综上所述,concurrent.futures.ProcessPoolExecutor 是一个高级接口,封装了底层的多进程功能,适用于简单的多进程任务并行化。而 multiprocessing 是一个更底层的库,提供了更多的控制和灵活性,适用于需要精细控制进程的场景。
需要根据具体需求选择合适的库,如果只是简单的任务并行化,可以使用 concurrent.futures.ProcessPoolExecutor 来简化代码;如果需要更底层的控制和通信,可以使用 multiprocessing 库。
最后
不同于多线程,Asyncio 是单线程的,但其内部 event loop 的机制,可以让它并发地运行多个不同的任务,并且比多线程享有更大的自主控制权。
Asyncio 中的任务,在运行过程中不会被打断,因此不会出现 race condition 的情况。
尤其是在 I/O 操作 heavy 的场景下,Asyncio 比多线程的运行效率更高。因为 Asyncio 内部任务切换的损耗,远比线程切换的损耗要小;并且 Asyncio 可以开启的任务数量,也比多线程中的线程数量多得多。
但需要注意的是,很多情况下,使用 Asyncio 需要特定第三方库的支持,比如前面示例中的 aiohttp。而如果 I/O 操作很快,并不 heavy,那么运用多线程,也能很有效地解决问题。
asyncio是用于实现异步编程的Python库。
协程是asyncio的核心概念,通过async和await关键字实现异步操作。
asyncio提供了强大的异步I/O操作API,可轻松处理I/O密集型任务。
通过asyncio.gather()等机制,可以并发执行多个协程任务。
最后感谢每一个认真阅读我文章的人,礼尚往来总是要有的,虽然不是什么很值钱的东西,如果你用得到的话可以直接拿走:
这些资料,对于【软件测试】的朋友来说应该是最全面最完整的备战仓库,这个仓库也陪伴上万个测试工程师们走过最艰难的路程,希望也能帮助到你!
这篇关于突破性能瓶颈:使用Asyncio构建高并发Python应用程序的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!