Apa sebenarnya yang berlaku dengan coroutine dalam Python?-Tutorial Python-php.cn

Apa sebenarnya yang berlaku dengan coroutine dalam Python?

1. Contoh permintaan sintaks Penyegerakan Tradisional

Ini masih sama Sebelum memahami pelaksanaan sintaks Async, mari kita mulakan dengan contoh sintaks Penyegerakan permintaan HTTP, program ini akan mendapatkan kandungan respons yang sepadan melalui permintaan ini, dan mencetaknya Kodnya adalah seperti berikut:

import socket
def request(host: str) -> None:
"""模拟请求并打印响应体"""
url: str = f"http://{host}"
sock: socket.SocketType = socket.socket()
sock.connect((host, 80))
sock.send(f"GET {url} HTTP/1.0rnHost: {host}rnrn".encode("ascii"))
response_bytes: bytes = b""
chunk: bytes = sock.recv(4096)
while chunk:
response_bytes += chunk
chunk = sock.recv(4096)
print("n".join([i for i in response_bytes.decode().split("rn")]))
if __name__ == "__main__":
request("so1n.me")

Salin selepas log masuk

Jalankan atur cara, atur cara boleh mengeluarkan secara normal, bahagian atas mencetak. Pengepala respons HTTP yang sepadan, bahagian bawah Badan respons HTTP dicetak sebahagiannya, dan anda boleh melihat bahawa pelayan meminta kami meminta semula dalam bentuk https Outputnya adalah seperti berikut:

HTTP/1.1 301 Moved Permanently
Server: GitHub.com
Content-Type: text/html
Location: https://so1n.me/
X-GitHub-Request-Id: A744:3871:4136AF:48BD9F:6188DB50
Content-Length: 162
Accept-Ranges: bytes
Date: Mon, 08 Nov 2021 08:11:37 GMT
Via: 1.1 varnish
Age: 104
Connection: close
X-Served-By: cache-qpg1272-QPG
X-Cache: HIT
X-Cache-Hits: 2
X-Timer: S1636359097.026094,VS0,VE0
Vary: Accept-Encoding
X-Fastly-Request-ID: 22fa337f777553d33503cee5282598c6a293fb5e
<html>
<head><title>301 Moved Permanently</title></head>
<body>
<center><h1>301 Moved Permanently</h1></center>
<hr><center>nginx</center>
</body>
</html>

Salin selepas log masuk

Tetapi ini bukan untuk mengatakan bagaimana permintaan HTTP dilaksanakan Secara khusus, saya saya tidak tahu banyak tentangnya untuk menunggu, tetapi di bawah konkurensi tinggi, anda perlu menunggu longkang sebelum menghantar, yang tidak diperlukan untuk demo kecil) menggunakan kaedah longkang), program akan berhenti seketika sehingga operasi selesai. Apabila banyak halaman web dimuat turun pada satu masa, ia akan menjadi seperti yang disebutkan dalam artikel sebelumnya Kebanyakan masa menunggu dihabiskan untuk IO dan CPU sentiasa melahu Walaupun menggunakan kolam benang boleh menyelesaikan masalah ini adalah sangat tinggi. Pada masa yang sama, sistem pengendalian sering mengehadkan bilangan utas yang boleh digunakan oleh proses, pengguna atau mesin, tetapi coroutine tidak mempunyai sekatan sedemikian, kurang menggunakan sumber dan tidak mempunyai kesesakan sistem.

2. Permintaan tak segerak

Asynchronous membenarkan urutan berasingan untuk mengendalikan operasi serentak Walau bagaimanapun, seperti yang dinyatakan di atas, soket disekat secara lalai, jadi soket perlu ditetapkan kepada bukan Penyekatan. soket menyediakan kaedah setblocking untuk pembangun memilih sama ada untuk menyekat Selepas menetapkan bukan sekatan, kaedah sambung dan recv juga mesti ditukar.

Memandangkan tiada penyekatan, atur cara akan kembali serta-merta selepas memanggil sambung Walau bagaimanapun, lapisan bawah Python ialah C. Kod ini akan membuang pengecualian selepas memanggil soket tidak menyekat.sambung dalam C. Kami. Kami perlu menangkapnya, seperti ini:

import socket
sock: socket.SocketType = socket.socket()
sock.setblocking(Flase)
try:
sock.connect(("so1n.me", 80))
except BlockingIOError:
pass

Salin selepas log masuk

Selepas operasi, kami mula memohon untuk mewujudkan sambungan, tetapi kami tidak tahu bila sambungan akan selesai, kerana panggilan menghantar apabila sambungan tidak ditubuhkan akan melaporkan ralat , jadi anda boleh terus mengundi dan menghantar panggilan sehingga tiada ralat dilaporkan dan ia dianggap berjaya (kod sebenar perlu menambah tamat masa):

while True:
try:
sock.send(request)
break
except OSError as e:
pass

Salin selepas log masuk

Tetapi ia adalah pembaziran prestasi untuk membiarkan CPU melahu dengan cara ini, dan anda tidak boleh melakukan perkara lain dalam tempoh itu, sama seperti selepas kami memesan bawa pulang, kami terus menghubungi untuk bertanya sama ada hidangan sudah siap, yang merupakan satu pembaziran panggilan telefon. Jika kami menelefon untuk memberitahu kami apabila hidangan sudah siap, kami hanya mengeluarkan satu perbelanjaan, yang sangat menjimatkan (dalam keadaan biasa) Ini juga benar). Ini adalah apabila gelung peristiwa mula dimainkan Dalam sistem seperti UNIX, terdapat fungsi yang dipanggil pilih, yang boleh menunggu peristiwa berlaku sebelum memanggil fungsi mendengar Walau bagaimanapun, prestasi pelaksanaan awal tidak begitu baik dan telah diganti oleh epoll di Linux Walau bagaimanapun, antara muka adalah serupa Sebabnya ialah gelung peristiwa yang berbeza ini dirangkumkan dalam pustaka pemilih dalam Python Pada masa yang sama, fungsi seperti pilih yang terbaik boleh dipilih daripada sistem melalui DefaultSelector. Jangan bercakap tentang prinsip gelung peristiwa buat masa ini Perkara yang paling penting tentang gelung acara ialah dua bahagian namanya gelung melalui kaedah berikut:

def demo(): pass
selector.register(fd, EVENT_WRITE, demo)

Salin selepas log masuk

Dengan cara ini, gelung peristiwa ini akan mendengar deskriptor fail yang sepadan fd Apabila deskriptor fail ini mencetuskan acara tulis (EVENT_WRITE), gelung acara akan memberitahu kami panggil demo fungsi berdaftar. Walau bagaimanapun, jika anda menukar kod di atas kepada kaedah ini untuk dijalankan, anda akan mendapati bahawa program itu seolah-olah berakhir tanpa berjalan, tetapi program itu sebenarnya berjalan, tetapi mereka melengkapkan pendaftaran, dan kemudian tunggu pembangun menerima acara tersebut acara gelung digunakan untuk langkah seterusnya, jadi kita hanya perlu menulis kod berikut pada penghujung kod:

while True:
for key, mask in selector.select():
key.data()

Salin selepas log masuk

Dengan cara ini, atur cara akan terus berjalan dan apabila acara itu ditangkap , ia akan lulus untuk Gelung memberitahu kami bahawa key.data ialah fungsi panggil balik yang kami daftarkan Apabila peristiwa berlaku, kami akan dimaklumkan Kami boleh mendapatkan fungsi panggil balik dan menjalankannya program concurrency, beliau melaksanakan logik kecil mudah pemultipleksan I/O, kod dan komen adalah seperti berikut:

import socket
from selectors import DefaultSelector, EVENT_READ, EVENT_WRITE
# 选择事件循环
selector: DefaultSelector = DefaultSelector()
# 用于判断是否有事件在运行
running_cnt: int = 0
def request(host: str) -> None:
"""模拟请求并打印响应体"""
# 告诉主函数， 自己的事件还在运行
global running_cnt
running_cnt += 1
# 初始化socket
url: str = f"http://{host}"
sock: socket.SocketType = socket.socket()
sock.setblocking(False)
try:
sock.connect((host, 80))
except BlockingIOError:
pass
response_bytes: bytes = b""
def read_response() -> None:
"""接收响应参数， 并判断请求是否结束"""
nonlocal response_bytes
chunk: bytes = sock.recv(4096)
print(f"recv {host} body success")
if chunk:
response_bytes += chunk
else:
# 没有数据代表请求结束了， 注销监听
selector.unregister(sock.fileno())
global running_cnt
running_cnt -= 1
def connected() -> None:
"""socket建立连接时的回调"""
# 取消监听
selector.unregister(sock.fileno())
print(f"{host} connect success")
# 发送请求， 并监听读事件， 以及注册对应的接收响应函数
sock.send(f"GET {url} HTTP/1.0rnHost: {host}rnrn".encode("ascii"))
selector.register(sock.fileno(), EVENT_READ, read_response)
selector.register(sock.fileno(), EVENT_WRITE, connected)
if __name__ == "__main__":
# 同时多个请求
request("so1n.me")
request("github.com")
request("google.com")
request("baidu.com")
# 监听是否有事件在运行
while running_cnt > 0:
# 等待事件循环通知事件是否已经完成
for key, mask in selector.select():
key.data()

Salin selepas log masuk

Kod ini mendaftarkan 4 permintaan pada masa yang sama dan mendaftarkan panggilan balik sambungan, dan kemudian memasuki Logik gelung peristiwa, iaitu, menyerahkan kawalan kepada gelung acara, sehingga gelung acara memberitahu program bahawa ia telah menerima pemberitahuan penubuhan soket, program akan membatalkan panggilan balik yang didaftarkan dan kemudian menghantar permintaan, dan mendaftarkan acara baca panggil balik, dan kemudian pindahkan kawalan Kuasa diberikan kepada gelung peristiwa, dan fungsi pemprosesan hasil tindak balas tidak akan dimasukkan sehingga hasil respons diterima, dan program tidak akan keluar sehingga semua keputusan respons diterima. Berikut ialah keputusan salah satu hukuman mati saya:

so1n.me connect success
github.com connect success
google.com connect success
recv google.com body success
recv google.com body success
baidu.com connect success
recv github.com body success
recv github.com body success
recv baidu.com body success
recv baidu.com body success
recv so1n.me body success
recv so1n.me body success

Salin selepas log masuk

可以看到他们的执行顺序是随机的，不是严格的按照so1n.me, github.com, google.com, baidu.com顺序执行，同时他们执行速度很快，这个程序的耗时约等于响应时长最长的函数耗时。但是可以看出，这个程序里面出现了两个回调，回调会让代码变得非常的奇怪, 降低可读性，也容易造成回调地狱，而且当回调发生报错的时候，我们是很难知道这是由于什么导致的错误，因为它的上下文丢失了，这样子排查问题十分的困惑。作为程序员，一般都不止满足于速度快的代码，真正想要的是又快，又能像Sync的代码一样简单, 可读性强, 也能容易排查问题的代码, 这种组合形式的代码的设计模式就叫协程。

协程出现得很早，它不像线程一样，被系统调度，而是能自主的暂停，并等待事件循环通知恢复。由于协程是软件层面实现的，所以它的实现方式有很多种，这里要说的是基于生成器的协程，因为生成器跟协程一样，都有暂停让步和恢复的方法(还可以通过throw来抛错），同时它跟Async语法的协程很像，通过了解基于生成器的协程，可以了解Async的协程是如何实现的。

三.基于生成器的协程

3.1生成器

在了解基于生成器的协程之前，需要先了解下生成器， Python的生成器函数与普通的函数会有一些不同, 只有普通函数中带有关键字yield，那么它就是生成器函数，具体有什么不同可以通过他们的字节码来了解：

In [1]: import dis
# 普通函数
In [2]: def aaa(): pass
In [3]: dis.dis(aaa)
1 0 LOAD_CONST 0 (None)
2 RETURN_VALUE
# 普通函数调用函数
In [4]: def bbb():
 ...: aaa()
 ...:
In [5]: dis.dis(bbb)
2 0 LOAD_GLOBAL0 (aaa)
2 CALL_FUNCTION0
4 POP_TOP
6 LOAD_CONST 0 (None)
8 RETURN_VALUE
# 普通生成器函数
In [6]: def ccc(): yield
In [7]: dis.dis(ccc)
1 0 LOAD_CONST 0 (None)
2 YIELD_VALUE
4 POP_TOP
6 LOAD_CONST 0 (None)
8 RETURN_VALUE

Salin selepas log masuk

上面分别是普通函数，普通函数调用函数和普通生成器函数的字节码，从字节码可以看出来，最简单的函数只需要LOAD_CONST来加载变量None压入自己的栈，然后通过RETURN_VALUE来返回值，而有函数调用的普通函数则先加载变量，把全局变量的函数aaa加载到自己的栈里面，然后通过CALL_FUNCTION来调用函数，最后通过POP_TOP把函数的返回值从栈里抛出来，再把通过LOAD_CONST把None压入自己的栈，最后返回值。而生成器函数则不一样，它会先通过LOAD_CONST来加载变量None压入自己的栈，然后通过YIELD_VALUE返回值，接着通过POP_TOP弹出刚才的栈并重新把变量None压入自己的栈，最后通过RETURN_VALUE来返回值。从字节码来分析可以很清楚的看到，生成器能够在yield区分两个栈帧, 一个函数调用可以分为多次返回，很符合协程多次等待的特点。

接着来看看生成器的一个使用, 这个生成器会有两次yield调用, 并在最后返回字符串'None'，代码如下：

In [8]: def demo():
 ...: a = 1
 ...: b = 2
 ...: print('aaa', locals())
 ...: yield 1
 ...: print('bbb', locals())
 ...: yield 2
 ...: return 'None'
 ...:
In [9]: demo_gen = demo()
In [10]: demo_gen.send(None)
aaa {'a': 1, 'b': 2}
Out[10]: 1
In [11]: demo_gen.send(None)
bbb {'a': 1, 'b': 2}
Out[11]: 2
In [12]: demo_gen.send(None)
---------------------------------------------------------------------------
StopIteration Traceback (most recent call last)
<ipython-input-12-8f8cb075d6af> in <module>
----> 1 demo_gen.send(None)
StopIteration: None

Salin selepas log masuk

这段代码首先通过函数调用生成一个demo_gen的生成器对象, 然后第一次send调用时返回值1，第二次send调用时返回值2，第三次send调用则抛出StopIteration异常，异常提示为None, 同时可以看到第一次打印aaa和第二次打印bbb时，他们都能打印到当前的函数局部变量，可以发现在即使在不同的栈帧中，他们读取到当前的局部函数内的局部变量是一致的，这意味着如果使用生成器来模拟协程时，它还是会一直读取到当前上下文的，非常的完美。

此外， Python还支持通过yield from语法来返回一个生成器, 代码如下:

In [1]: def demo_gen_1():
 ...: for i in range(3):
 ...: yield i
 ...:
In [2]: def demo_gen_2():
 ...: yield from demo_gen_1()
 ...:
In [3]: demo_gen_obj = demo_gen_2()
In [4]: demo_gen_obj.send(None)
Out[4]: 0
In [5]: demo_gen_obj.send(None)
Out[5]: 1
In [6]: demo_gen_obj.send(None)
Out[6]: 2
In [7]: demo_gen_obj.send(None)
---------------------------------------------------------------------------
StopIteration Traceback (most recent call last)
<ipython-input-7-f9922a2f64c9> in <module>
----> 1 demo_gen_obj.send(None)
StopIteration:

Salin selepas log masuk

通过yield from就可以很方便的支持生成器调用，假如把每个生成器函数都当做一个协程，那通过yield from就可以很方便的实现协程间的调用，此外生成器的抛出异常后的提醒非常人性化，也支持throw来抛出异常，这样我们就可以实现在协程运行时设置异常，比如Cancel，演示代码如下:

In [1]: def demo_exc():
 ...: yield 1
 ...: raise RuntimeError()
 ...:
In [2]: def demo_exc_1():
 ...: for i in range(3):
 ...: yield i
 ...:
In [3]: demo_exc_gen = demo_exc()
In [4]: demo_exc_gen.send(None)
Out[4]: 1
In [5]: demo_exc_gen.send(None)
---------------------------------------------------------------------------
RuntimeErrorTraceback (most recent call last)
<ipython-input-5-09fbb75fdf7d> in <module>
----> 1 demo_exc_gen.send(None)
<ipython-input-1-69afbc1f9c19> in demo_exc()
1 def demo_exc():
2 yield 1
----> 3 raise RuntimeError()
4
RuntimeError:
In [6]: demo_exc_gen_1 = demo_exc_1()
In [7]: demo_exc_gen_1.send(None)Out[7]: 0
n [8]: demo_exc_gen_1.send(None) Out[8]: 1
In [9]: demo_exc_gen_1.throw(RuntimeError) ---------------------------------------------------------------------------
RuntimeErrorTraceback (most recent call last)
<ipython-input-9-1a1cc55d71f4> in <module>
----> 1 demo_exc_gen_1.throw(RuntimeError)
<ipython-input-2-2617b2366dce> in demo_exc_1()
1 def demo_exc_1():
2 for i in range(3):
----> 3 yield i
4
RuntimeError:

Salin selepas log masuk

从中可以看到在运行中抛出异常时，会有一个非常清楚的抛错，可以明显看出错误堆栈，同时throw指定异常后，会在下一处yield抛出异常(所以协程调用Cancel后不会马上取消，而是下一次调用的时候才被取消)。

3.2用生成器实现协程

我们已经简单的了解到了生成器是非常的贴合协程的编程模型，同时也知道哪些生成器API是我们需要的API，接下来可以模仿Asyncio的接口来实现一个简单的协程。

首先是在Asyncio中有一个封装叫Feature, 它用来表示协程正在等待将来时的结果, 以下是我根据asyncio.Feature封装的一个简单的Feature, 它的API没有asyncio.Feature全, 代码和注释如下:

class Status:
"""用于判断Future状态"""
pending: int = 1
finished: int = 2
cancelled: int = 3
class Future(object):
def __init__(self) -> None:
"""初始化时， Feature处理pending状态， 等待set result"""
self.status: int = Status.pending
self._result: Any = None
self._exception: Optional[Exception] = None
self._callbacks: List[Callable[['Future'], None]] = []
def add_done_callback(self, fn: [['Future'], None]Callable) -> None:
"""添加完成时的回调"""
self._callbacks.append(fn)def cancel(self):
"""取消当前的Feature"""
if self.status != Status.pending:
return False
self.status = Status.cancelled
for fn in self._callbacks:
fn(self)
return True
def set_exception(self, exc: Exception) -> None:
"""设置异常"""
if self.status != Status.pending:
raise RuntimeError("Can not set exc")
self._exception = exc
self.status = Status.finished
def set_result(self, result: Any) -> None:
"""设置结果"""
if self.status != Status.pending:
raise RuntimeError("Can not set result")
self.status = Status.finished
self._result = result
for fn in self._callbacks:
fn(self)
def result(self):
"""获取结果"""
if self.status == Status.cancelled:
raise asyncio.CancelledError
elif self.status != Status.finished:
raise RuntimeError("Result is not read")
elif self._exception is not None:
raise self._exception
return self._result
def __iter__(self):
"""通过生成器来模拟协程， 当收到结果通知时， 会返回结果"""
if self.status == Status.pending:
yield self
return self.result()

Salin selepas log masuk

在理解Future时，可以把它假想为一个状态机，在启动初始化的时候是peding状态，在运行的时候我们可以切换它的状态, 并且通过__iter__方法来支持调用者使用yield from Future()来等待Future本身，直到收到了事件通知时，可以得到结果。

但是可以发现这个Future是无法自我驱动, 调用了__iter__的程序不知道何时被调用了set_result，在Asyncio中是通过一个叫Task的类来驱动Future, 它将一个协程的执行过程安排好，并负责在事件循环中执行该协程。它主要有两个方法:

1.初始化时，会先通过send方法激活生成器

2.后续被调度后马上安排下一次等待，除非抛出StopIteration异常

还有一个支持取消运行托管协程的方法(在原代码中， Task是继承于Future, 所以Future有的它都有), 经过简化后的代码如下：

class Task:
def __init__(self, coro: Generator) -> None:
# 初始化状态
self.cancelled: bool = False
self.coro: Generator = coro
# 预激一个普通的future
f: Future = Future()
f.set_result(None)
self.step(f)
def cancel(self) -> None:
"""用于取消托管的coro"""
self.coro.throw(asyncio.CancelledError)
def step(self, f: Future) -> None:
"""用于调用coro的下一步, 从第一次激活开始， 每次都添加完成时的回调， 直到遇到取消或者StopIteration异常"""
try:
_future = self.coro.send(f.result())
except asyncio.CancelledError:
self.cancelled = True
return
except StopIteration:
return
_future.add_done_callback(self.step)

Salin selepas log masuk

这样Future和Task就封装好了，可以简单的试一试效果如何:

In [2]:def wait_future(f: Future, flag_int: int) -> Generator[Future, None, None]:
 ...:result = yield from f
 ...:print(flag_int, result)
 ...:
 ...:future: Future = Future()
 ...:for i in range(3):
 ...:coro = wait_future(future, i)
 ...:# 托管wait_future这个协程， 里面的Future也会通过yield from被托管
 ...:Task(coro)
 ...:
 ...:print('ready')
 ...:future.set_result('ok')
 ...:
 ...:future = Future()
 ...:Task(wait_future(future, 3)).cancel()
 ...:ready
0 ok
1 ok
2 ok
---------------------------------------------------------------------------
CancelledErrorTraceback (most recent call last)
<ipython-input-2-2d1b04db2604> in <module>
 12
 13 future = Future()
---> 14 Task(wait_future(future, 3)).cancel()
<ipython-input-1-ec3831082a88> in cancel(self)
 81
 82 def cancel(self) -> None:
---> 83 self.coro.throw(asyncio.CancelledError)
 84
 85 def step(self, f: Future) -> None:
<ipython-input-2-2d1b04db2604> in wait_future(f, flag_int)
1 def wait_future(f: Future, flag_int: int) -> Generator[Future, None, None]:
----> 2 result = yield from f
3 print(flag_int, result)
4
5 future: Future = Future()
<ipython-input-1-ec3831082a88> in __iter__(self)
 68 """通过生成器来模拟协程， 当收到结果通知时， 会返回结果"""
 69 if self.status == Status.pending:
---> 70 yield self
 71 return self.result()
 72
CancelledError:

Salin selepas log masuk

这段程序会先初始化Future, 并把Future传给wait_future并生成生成器, 再交由给Task托管，预激, 由于Future是在生成器函数wait_future中通过yield from与函数绑定的，真正被预激的其实是Future的__iter__方法中的yield self, 此时代码逻辑会暂停在yield self并返回。在全部预激后，通过调用Future的set_result方法，使Future变为结束状态，由于set_result会执行注册的回调，这时它就会执行托管它的Task的step方法中的send方法, 代码逻辑回到Future的__iter__方法中的yield self，并继续往下走，然后遇到return返回结果, 并继续走下去, 从输出可以发现程序封装完成且打印了ready后，会依次打印对应的返回结果，而在最后一个的测试cancel方法中可以看到，Future抛出异常了，同时这些异常很容易看懂，能够追随到调用的地方。

现在Future和Task正常运行了，可以跟我们一开始执行的程序进行整合, 代码如下：

class HttpRequest(object):
def __init__(self, host: str):
"""初始化变量和sock"""
self._host: str = host
global running_cnt
running_cnt += 1
self.url: str = f"http://{host}"
self.sock: socket.SocketType = socket.socket()
self.sock.setblocking(False)
try:
self.sock.connect((host, 80))
except BlockingIOError:
pass
def read(self) -> Generator[Future, None, bytes]:
"""从socket获取响应数据， 并set到Future中， 并通过Future.__iter__方法或得到数据并通过变量chunk_future返回"""
f: Future = Future()
selector.register(self.sock.fileno(), EVENT_READ, lambda: f.set_result(self.sock.recv(4096)))
chunk_future = yield from f
selector.unregister(self.sock.fileno())
return chunk_future# type: ignore
def read_response(self) -> Generator[Future, None, bytes]:
"""接收响应参数， 并判断请求是否结束"""
response_bytes: bytes = b""
chunk = yield from self.read()
while chunk:
response_bytes += chunk
chunk = yield from self.read()
return response_bytes
def connected(self) -> Generator[Future, None, None]:
"""socket建立连接时的回调"""
# 取消监听
f: Future = Future()
selector.register(self.sock.fileno(), EVENT_WRITE, lambda: f.set_result(None))
yield f
selector.unregister(self.sock.fileno())
print(f"{self._host} connect success")
def request(self) -> Generator[Future, None, None]:
# 发送请求， 并监听读事件， 以及注册对应的接收响应函数
yield from self.connected()
self.sock.send(f"GET {self.url} HTTP/1.0rnHost: {self._host}rnrn".encode("ascii"))
response = yield from self.read_response()
print(f"request {self._host} success, length:{len(response)}")
global running_cnt
running_cnt -= 1
if __name__ == "__main__":
# 同时多个请求
Task(HttpRequest("so1n.me").request())
Task(HttpRequest("github.com").request())
Task(HttpRequest("google.com").request())
Task(HttpRequest("baidu.com").request())
# 监听是否有事件在运行
while running_cnt > 0:
# 等待事件循环通知事件是否已经完成
for key, mask in selector.select():
key.data()

Salin selepas log masuk

这段代码通过Future和生成器方法尽量的解耦回调函数，如果忽略了HttpRequest中的connected和read方法则可以发现整段代码跟同步的代码基本上是一样的, 只是通过yield和yield from交出控制权和通过事件循环恢复控制权。同时通过上面的异常例子可以发现异常排查非常的方便，这样一来就没有了回调的各种糟糕的事情，开发者只需要按照同步的思路进行开发即可，不过我们的事件循环是一个非常简单的事件循环例子，同时对于socket相关都没有进行封装，也缺失一些常用的API，而这些都会被Python官方封装到Asyncio这个库中，通过该库，我们可以近乎完美的编写Async语法的代码。

Atas ialah kandungan terperinci Apa sebenarnya yang berlaku dengan coroutine dalam Python?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!