Python——协程(Coroutine)，异步IO

目录

生成器(Generator)

yield表达式的使用

生产者和消费者模型

​编辑

 yield from表达式

协程(Coroutine)

@asyncio.coroutine

async/await

总结

---

由于GIL的存在，导致Python多线程性能甚至比单线程更糟。

 于是出现了协程（Coroutine）这么个东西。

协程由于由程序主动控制切换，没有线程切换的开销，所以执行效率极高。对于IO密集型任务非常适用，如果是cpu密集型，推荐多进程+协程的方式。

在Python3.4之前，官方没有对协程的支持，存在一些三方库的实现，比如gevent和Tornado。3.4之后就内置了asyncio标准库，官方真正实现了协程这一特性。

而Python对协程的支持，是通过Generator实现的，协程是遵循某些规则的生成器。因此，我们在了解协程之前，我们先要学习生成器。

生成器(Generator)

我们这里主要讨论yield和yield from这两个表达式，这两个表达式和协程的实现息息相关。

• Python2.5中引入yield表达式，参见PEP342
• Python3.3中增加yield from语法，参见PEP380，

方法中包含yield表达式后，Python会将其视作generator对象，不再是普通的方法。

yield表达式的使用

我们先来看该表达式的具体使用：

def test():
    print("generator start")
    n = 1
    while True:
        yield_expression_value = yield n
        print("yield_expression_value = %d" % yield_expression_value)
        n += 1
 
 
# ①创建generator对象
generator = test()
print(type(generator))
 
print("\n---------------\n")
 
# ②启动generator
next_result = generator.__next__()
print("next_result = %d" % next_result)
 
print("\n---------------\n")
 
# ③发送值给yield表达式
send_result = generator.send(666)
print("send_result = %d" % send_result)

执行结果：

<class 'generator'>
 
---------------
 
generator start
next_result = 1
 
---------------
 
yield_expression_value = 666
send_result = 2

方法说明：

• __next__()方法: 作用是启动或者恢复generator的执行，相当于send(None)

• send(value)方法：作用是发送值给yield表达式。启动generator则是调用send(None)

执行结果的说明：

• ①创建generator对象：包含yield表达式的函数将不再是一个函数，调用之后将会返回generator对象

• ②启动generator：使用生成器之前需要先调用__next__或者send(None)，否则将报错。启动generator后，代码将执行到yield出现的位置，也就是执行到yield n，然后将n传递到generator.__next__()这行的返回值。（注意，生成器执行到yield n后将暂停在这里，直到下一次生成器被启动）

• ③发送值给yield表达式：调用send方法可以发送值给yield表达式，同时恢复生成器的执行。生成器从上次中断的位置继续向下执行，然后遇到下一个yield，生成器再次暂停，切换到主函数打印出send_result。

理解这个demo的关键是：生成器启动或恢复执行一次，将会在yield处暂停。上面的第②步仅仅执行到了yield n，并没有执行到赋值语句，到了第③步，生成器恢复执行才给yield_expression_value赋值。

生产者和消费者模型

上面的例子中，代码中断-->切换执行，体现出了协程的部分特点。

我们再举一个生产者、消费者的例子

def consumer():
    print("[CONSUMER] start")
    r = 'start'
    while True:
        n = yield r
        if not n:
            print("n is empty")
            continue
        print("[CONSUMER] Consumer is consuming %s" % n)
        r = "200 ok"
 
 
def producer(c):
    # 启动generator
    start_value = c.send(None)
    print(start_value)
    n = 0
    while n < 3:
        n += 1
        print("[PRODUCER] Producer is producing %d" % n)
        r = c.send(n)
        print('[PRODUCER] Consumer return: %s' % r)
    # 关闭generator
    c.close()
 
 
# 创建生成器
c = consumer()
# 传入generator
producer(c)

 执行结果：

[CONSUMER] start
start
[PRODUCER] producer is producing 1
[CONSUMER] consumer is consuming 1
[PRODUCER] Consumer return: 200 ok
[PRODUCER] producer is producing 2
[CONSUMER] consumer is consuming 2
[PRODUCER] Consumer return: 200 ok
[PRODUCER] producer is producing 3
[CONSUMER] consumer is consuming 3
[PRODUCER] Consumer return: 200 ok

  

 

 

 yield from表达式

Python3.3版本新增yield from语法，新语法用于将一个生成器部分操作委托给另一个生成器。此外，允许子生成器（即yield from后的“参数”）返回一个值，该值可供委派生成器（即包含yield from的生成器）使用。并且在委派生成器中，可对子生成器进行优化。

我们先来看最简单的应用，例如：

# 子生成器
def test(n):
    i = 0
    while i < n:
        yield i
        i += 1
 
# 委派生成器
def test_yield_from(n):
    print("test_yield_from start")
    yield from test(n)
    print("test_yield_from end")
 
 
for i in test_yield_from(3):
    print(i)

输出：

test_yield_from start
0
1
2
test_yield_from end

这里我们仅仅给这个生成器添加了一些打印，如果是正式的代码中，你可以添加正常的执行逻辑。

如果上面的test_yield_from函数中有两个yield from语句，将串行执行。比如将上面的test_yield_from函数改写成这样：

def test_yield_from(n):
    print("test_yield_from start")
    yield from test(n)
    print("test_yield_from doing")
    yield from test(n)
    print("test_yield_from end")

将输出：

test_yield_from start
0
1
2
test_yield_from doing
0
1
2
test_yield_from end

在这里，yield from起到的作用相当于下面写法的简写形式

for item in test(n):
    yield item

看起来这个yield from也没做什么大不了的事，其实它还帮我们处理了异常之类的。具体可以看stackoverflow上的这个问题：In practice, what are the main uses for the new “yield from” syntax in Python 3.3?

协程(Coroutine)

• Python3.4开始，新增了asyncio相关的API，语法使用@asyncio.coroutine和yield from实现协程
• Python3.5中引入async/await语法，参见PEP492

我们先来看Python3.4的实现。

@asyncio.coroutine

Python3.4中，使用@asyncio.coroutine装饰的函数称为协程。不过没有从语法层面进行严格约束。

对于Python原生支持的协程来说，Python对协程和生成器做了一些区分，便于消除这两个不同但相关的概念的歧义：

• 标记了@asyncio.coroutine装饰器的函数称为协程函数，iscoroutinefunction()方法返回True
• 调用协程函数返回的对象称为协程对象，iscoroutine()函数返回True

举个栗子，我们给上面yield from的demo中添加@asyncio.coroutine：

import asyncio
 
...
 
@asyncio.coroutine
def test_yield_from(n):
    ...
 
# 是否是协程函数
print(asyncio.iscoroutinefunction(test_yield_from))
# 是否是协程对象
print(asyncio.iscoroutine(test_yield_from(3)))

毫无疑问输出结果是True。

可以看下@asyncio.coroutine的源码中查看其做了什么，我将其源码简化下，大致如下：

import functools
import types
import inspect
 
def coroutine(func):
    # 判断是否是生成器
    if inspect.isgeneratorfunction(func):
        coro = func
    else:
        # 将普通函数变成generator
        @functools.wraps(func)
        def coro(*args, **kw):
            res = func(*args, **kw)
            res = yield from res
            return res
    # 将generator转换成coroutine
    wrapper = types.coroutine(coro)
    # For iscoroutinefunction().
    wrapper._is_coroutine = True
    return wrapper

将这个装饰器标记在一个生成器上，就会将其转换成coroutine。

然后，我们来实际使用下@asyncio.coroutine和yield from：

import asyncio
 
@asyncio.coroutine
def compute(x, y):
    print("Compute %s + %s ..." % (x, y))
    yield from asyncio.sleep(1.0)
    return x + y
 
@asyncio.coroutine
def print_sum(x, y):
    result = yield from compute(x, y)
    print("%s + %s = %s" % (x, y, result))
 
loop = asyncio.get_event_loop()
print("start")
# 中断调用，直到协程执行结束
loop.run_until_complete(print_sum(1, 2))
print("end")
loop.close()

执行结果：

start
Compute 1 + 2 ...
1 + 2 = 3
end

print_sum这个协程中调用了子协程compute，它将等待compute执行结束才返回结果。

这个demo点调用流程如下图：

EventLoop将会把print_sum封装成Task对象

流程图展示了这个demo的控制流程，不过没有展示其全部细节。比如其中“暂停”的1s，实际上创建了一个future对象, 然后通过BaseEventLoop.call_later()在1s后唤醒这个任务。

值得注意的是，@asyncio.coroutine将在Python3.10版本中移除。

async/await

Python3.5开始引入async/await语法（PEP 492），用来简化协程的使用并且便于理解。

async/await实际上只是@asyncio.coroutine和yield from的语法糖：

• 把@asyncio.coroutine替换为async
• 把yield from替换为await

即可。

比如上面的例子：

import asyncio
 
 
async def compute(x, y):
    print("Compute %s + %s ..." % (x, y))
    await asyncio.sleep(1.0)
    return x + y
 
 
async def print_sum(x, y):
    result = await compute(x, y)
    print("%s + %s = %s" % (x, y, result))
 
 
loop = asyncio.get_event_loop()
print("start")
loop.run_until_complete(print_sum(1, 2))
print("end")
loop.close()

我们再来看一个asyncio中Future的例子：

import asyncio
 
future = asyncio.Future()
 
 
async def coro1():
    print("wait 1 second")
    await asyncio.sleep(1)
    print("set_result")
    future.set_result('data')
 
 
async def coro2():
    result = await future
    print(result)
 
 
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait([
    coro1()
    coro2()
]))
loop.close()

输出结果：

wait 1 second
(大约等待1秒)
set_result
data

这里await后面跟随的future对象，协程中yield from或者await后面可以调用future对象，其作用是：暂停协程，直到future执行结束或者返回result或抛出异常。

而在我们的例子中，await future必须要等待future.set_result('data')后才能够结束。将coro2()作为第二个协程可能体现得不够明显，可以将协程的调用改成这样：

loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait([
    # coro1(),
    coro2(),
    coro1()
]))
loop.close()

输出的结果仍旧与上面相同。

其实，async这个关键字的用法不止能用在函数上，还有async with异步上下文管理器，async for异步迭代器. 对这些感兴趣且觉得有用的可以网上找找资料，这里限于篇幅就不过多展开了。

总结

本文就生成器和协程做了一些学习、探究和总结，不过并没有做过多深入的研究。权且作为入门到一个笔记，之后将会尝试自己实现一下异步API，希望有助于理解学习。