Python异步编程

Python 异步编程的核心是 asyncio 事件循环 + async/await 协程，解决 I/O 密集型任务的并发等待问题。同步代码里等待网络响应、读写文件时 CPU 是空闲的；协程在遇到 await 时主动让出控制权，让事件循环去执行其他任务，从而用单线程吃掉大量 I/O 并发。但协程对 CPU 密集型任务无效——那要靠 multiprocessing 多进程绕过 GIL。

协程与事件循环

async def 定义的函数调用时不会立即执行，而是返回一个协程对象，只有交给事件循环才会运行。await 是让出点：遇到它，当前协程挂起，事件循环调度其他就绪协程。

import asyncio

async def fetch(url):
    print(f"开始 {url}")
    await asyncio.sleep(1)          # 模拟网络等待，让出控制权
    print(f"完成 {url}")
    return url

async def main():
    # 并发执行三个任务，总耗时 ≈ 1 秒而非 3 秒
    results = await asyncio.gather(
        fetch("a.com"),
        fetch("b.com"),
        fetch("c.com"),
    )
    print(results)

asyncio.run(main())

asyncio.run() 是入口（Python 3.7+）；gather 并发收集结果，create_task 创建后台任务，asyncio.sleep 模拟 I/O 等待。真实场景中配合 aiohttp（HTTP）、asyncpg（PostgreSQL）等异步库使用。

同步代码 vs 协程

维度	同步	协程
执行方式	串行阻塞	单线程并发调度
等待 I/O	CPU 空转	让出控制权给其他任务
适合场景	CPU 密集、简单脚本	高并发 I/O（网络、爬虫、API 服务）
代码风格	顺序直观	async/await 标注

什么时候值得用 asyncio

只有同时满足"大量并发 I/O 等待"和"单次等待耗时可观"时才值得——比如爬 1000 个网页。只有一两个请求、或主要做 CPU 计算时，协程只会增加复杂度。

GIL 与多进程

GIL（Global Interpreter Lock，全局解释器锁）保证同一时刻只有一个线程执行 Python 字节码。它简化了 CPython 的内存管理，代价是多线程无法利用多核 CPU 做并行计算——所以：

• I/O 密集：多线程或协程都能提速（等待时释放 GIL）
• CPU 密集：多线程无效，用 multiprocessing 多进程（每进程独立解释器，各占一个核）

from multiprocessing import Pool

def cpu_task(n):
    return sum(i * i for i in range(n))

with Pool(4) as pool:               # 4 个进程并行
    results = pool.map(cpu_task, [10**6] * 8)

与 Java 的线程模型对比：Java 多线程能并行利用多核，Python 靠多进程；Java 的 CompletableFuture 对应 Python 的 asyncio，两者都是异步非阻塞思路。JavaScript 的事件循环与协程同为单线程并发模型，见 异步编程 的三代演进对比。