要了解非同步程式設計的動機，我們首先必須了解是什麼限制了我們的程式碼運行速度。理想情況下，我們希望我們的程式碼以光速運行，立即跳過我們的程式碼，沒有任何延遲。然而，由於兩個因素，實際上程式碼運行速度要慢得多：
CPU時間（處理器執行指令的時間）
IO時間（等待網路請求或儲存讀取/寫入的時間）
當我們的程式碼在等待IO 時，CPU 基本上是空閒的，等待某個外部裝置回應。通常，核心會偵測到這一點並立即切換到執行系統中的其他執行緒。因此，如果我們想加快處理一組 IO 密集型任務，我們可以為每個任務建立一個執行緒。當其中一個線程停止，等待 IO 時，核心將切換到另一個線程繼續處理。
這在實踐中效果很好，但有兩個缺點：
#線程有開銷（尤其是在Python 中）
我們無法控制核心何時選擇在線程之間切換
例如，如果我們想要執行10,000 個任務，我們要么必須創建10,000 個線程，這將佔用大量RAM，要么我們需要創建較少數量的工作線程並以較少的並發性執行任務。此外，最初產生這些執行緒會佔用 CPU 時間。
由於核心可以隨時選擇在執行緒之間切換，因此我們程式碼中的任何時候都可能出現相互競爭。
在傳統的基於同步執行緒的程式碼中，核心必須偵測執行緒何時是IO綁定的，並選擇在執行緒之間隨意切換。使用 Python 非同步，程式設計師使用關鍵字await確認宣告 IO 綁定的程式碼行，並確認授予執行其他任務的權限。例如，考慮以下執行Web請求的程式碼：
async def request_google():
reader, writer = await asyncio.open_connection('google.com', 80)
writer.write(b'GET / HTTP/2\n\n')
await writer.drain()
response = await reader.read()
return response.decode()在這裡，在這裡，我們看到該程式碼在兩個地方await。因此，在等待我們的位元組被傳送到伺服器（writer.drain()）時，在等待伺服器用一些位元組（reader.read()）回覆時，我們知道其他程式碼可能會執行，全域變數可能會更改。然而，從函數開始到第一次等待，我們可以確保程式碼逐行運行，而不會切換到運行程式中的其他程式碼。這就是異步的美妙之處。
asyncio是一個標準函式庫，可以讓我們用這些非同步函數做一些有趣的事情。例如，如果我們想同時向Google執行兩個請求，我們可以：
async def request_google_twice(): response_1, response_2 = await asyncio.gather(request_google(), request_google()) return response_1, response_2
當我們呼叫request_google_twice()時，神奇的asyncio.gather#會啟動一個函數調用，但是當我們調用時await writer.drain()，它會開始執行第二個函數調用，這樣兩個請求就會並行發生。然後，它等待第一個或第二個請求的writer.drain()呼叫完成並繼續執行該函數。
最後，有一個重要的細節被遺漏了：asyncio.run。要從常規的[同步] Python 函數實際呼叫非同步函數，我們將呼叫包裝在asyncio.run(...)：
async def async_main():
r1, r2 = await request_google_twice()
print('Response one:', r1)
print('Response two:', r2)
return 12
return_val = asyncio.run(async_main())請注意，如果我們只呼叫async_main()而不呼叫await ...或asyncio.run(...)，則不會發生任何事情。這只是由非同步工作方式的性質所限制的。
那麼，非同步究竟是如何運作的，這些神奇的asyncio.run和asyncio.gather函數有什麼作用呢？閱讀下文以了解詳情。
要了解async的魔力，我們首先需要了解一個更簡單的Python 建構：生成器
生成器是Python 函數，它逐一傳回一系列值（可迭代）。例如：
def get_numbers():
print("|| get_numbers begin")
print("|| get_numbers Giving 1...")
yield 1
print("|| get_numbers Giving 2...")
yield 2
print("|| get_numbers Giving 3...")
yield 3
print("|| get_numbers end")
print("| for begin")
for number in get_numbers():
print(f"| Got {number}.")
print("| for end")| for begin || get_numbers begin || get_numbers Giving 1... | Got 1. || get_numbers Giving 2... | Got 2. || get_numbers Giving 3... | Got 3. || get_numbers end | for end
因此，我們看到，對於for迴圈的每個迭代，我們在生成器中只執行一次。我們可以使用Python的next()函數更明確地執行此迭代：
In [3]: generator = get_numbers() In [4]: next(generator) || get_numbers begin || get_numbers Giving 1... Out[4]: 1 In [5]: next(generator) || get_numbers Giving 2... Out[5]: 2 In [6]: next(generator) || get_numbers Giving 3... Out[6]: 3 In [7]: next(generator) || get_numbers end --------------------------------------- StopIteration Traceback (most recent call last) <ipython-input-154-323ce5d717bb> in <module> ----> 1 next(generator) StopIteration:
这与异步函数的行为非常相似。正如异步函数从函数开始直到第一次等待时连续执行代码一样，我们第一次调用next()时，生成器将从函数顶部执行到第一个yield 语句。然而，现在我们只是从生成器返回数字。我们将使用相同的思想，但返回一些不同的东西来使用生成器创建类似异步的函数。
让我们使用生成器来创建我们自己的小型异步框架。
但是，为简单起见，让我们将实际 IO 替换为睡眠（即。time.sleep）。让我们考虑一个需要定期发送更新的应用程序：
def send_updates(count: int, interval_seconds: float):
for i in range(1, count + 1):
time.sleep(interval_seconds)
print('[{}] Sending update {}/{}.'.format(interval_seconds, i, count))因此，如果我们调用send_updates(3, 1.0)，它将输出这三条消息，每条消息间隔 1 秒：
[1.0] Sending update 1/3. [1.0] Sending update 2/3. [1.0] Sending update 3/3.
现在，假设我们要同时运行几个不同的时间间隔。例如，send_updates(10, 1.0)，send_updates(5, 2.0)和send_updates(4, 3.0)。我们可以使用线程来做到这一点，如下所示：
threads = [ threading.Thread(target=send_updates, args=(10, 1.0)), threading.Thread(target=send_updates, args=(5, 2.0)), threading.Thread(target=send_updates, args=(4, 3.0)) ] for i in threads: i.start() for i in threads: i.join()
这可行，在大约 12 秒内完成，但使用具有前面提到的缺点的线程。让我们使用生成器构建相同的东西。
在演示生成器的示例中，我们返回了整数。为了获得类似异步的行为，而不是返回任意值，我们希望返回一些描述要等待的IO的对象。在我们的例子中，我们的“IO”只是一个计时器，它将等待一段时间。因此，让我们创建一个计时器对象，用于此目的：
class AsyncTimer: def __init__(self, duration: float): self.done_time = time.time() + duration
现在，让我们从我们的函数中产生这个而不是调用time.sleep：
def send_updates(count: int, interval_seconds: float):
for i in range(1, count + 1):
yield AsyncTimer(interval_seconds)
print('[{}] Sending update {}/{}.'.format(interval_seconds, i, count))现在，每次我们调用send_updates(...)时调用next(...)，我们都会得到一个AsyncTimer对象，告诉我们直到我们应该等待什么时候：
generator = send_updates(3, 1.5) timer = next(generator) # [1.5] Sending update 1/3. print(timer.done_time - time.time()) # 1.498...
由于我们的代码现在实际上并没有调用time.sleep，我们现在可以同时执行另一个send_updates调用。
所以，为了把这一切放在一起，我们需要退后一步，意识到一些事情：
生成器就像部分执行的函数，等待一些 IO（计时器）。
每个部分执行的函数都有一些 IO（计时器），它在继续执行之前等待。
因此，我们程序的当前状态是每个部分执行的函数（生成器）和该函数正在等待的 IO（计时器）对的对列表
现在，要运行我们的程序，我们只需要等到某个 IO 准备就绪（即我们的一个计时器已过期），然后再向前一步执行相应的函数，得到一个阻塞该函数的新 IO。
实现此逻辑为我们提供了以下信息：
# Initialize each generator with a timer of 0 so it immediately executes generator_timer_pairs = [ (send_updates(10, 1.0), AsyncTimer(0)), (send_updates(5, 2.0), AsyncTimer(0)), (send_updates(4, 3.0), AsyncTimer(0)) ] while generator_timer_pairs: pair = min(generator_timer_pairs, key=lambda x: x[1].done_time) generator, min_timer = pair # Wait until this timer is ready time.sleep(max(0, min_timer.done_time - time.time())) del generator_timer_pairs[generator_timer_pairs.index(pair)] try: # Execute one more step of this function new_timer = next(generator) generator_timer_pairs.append((generator, new_timer)) except StopIteration: # When the function is complete pass
有了这个，我们有了一个使用生成器的类似异步函数的工作示例。请注意，当生成器完成时，它会引发StopIteration，并且当我们不再有部分执行的函数（生成器）时，我们的函数就完成了
现在，我们把它包装在一个函数中，我们得到了类似于asyncio.run的东西。结合asyncio.gather运行：
def async_run_all(*generators): generator_timer_pairs = [ (generator, AsyncTimer(0)) for generator in generators ] while generator_timer_pairs: pair = min(generator_timer_pairs, key=lambda x: x[1].done_time) generator, min_timer = pair time.sleep(max(0, min_timer.done_time - time.time())) del generator_timer_pairs[generator_timer_pairs.index(pair)] try: new_timer = next(generator) generator_timer_pairs.append((generator, new_timer)) except StopIteration: pass async_run_all( send_updates(10, 1.0), send_updates(5, 2.0), send_updates(4, 3.0) )
实现我们的caveman版本的asyncio的最后一步是支持Python 3.5中引入的async/await语法。await的行为类似于yield，只是它不是直接返回提供的值，而是返回next((...).__await__())。async函数返回“协程”，其行为类似于生成器，但需要使用.send(None)而不是next()（请注意，正如生成器在最初调用时不返回任何内容一样，异步函数在逐步执行之前不会执行任何操作，这解释了我们前面提到的）。
因此，鉴于这些信息，我们只需进行一些调整即可将我们的示例转换为async/await。以下是最终结果：
class AsyncTimer:
def __init__(self, duration: float):
self.done_time = time.time() + duration
def __await__(self):
yield self
async def send_updates(count: int, interval_seconds: float):
for i in range(1, count + 1):
await AsyncTimer(interval_seconds)
print('[{}] Sending update {}/{}.'.format(interval_seconds, i, count))
def _wait_until_io_ready(ios):
min_timer = min(ios, key=lambda x: x.done_time)
time.sleep(max(0, min_timer.done_time - time.time()))
return ios.index(min_timer)
def async_run_all(*coroutines):
coroutine_io_pairs = [
(coroutine, AsyncTimer(0))
for coroutine in coroutines
]
while coroutine_io_pairs:
ios = [io for cor, io in coroutine_io_pairs]
ready_index = _wait_until_io_ready(ios)
coroutine, _ = coroutine_io_pairs.pop(ready_index)
try:
new_io = coroutine.send(None)
coroutine_io_pairs.append((coroutine, new_io))
except StopIteration:
pass
async_run_all(
send_updates(10, 1.0),
send_updates(5, 2.0),
send_updates(4, 3.0)
)我们有了它，我们的迷你异步示例完成了，使用async/await. 现在，您可能已经注意到我将 timer 重命名为 io 并将查找最小计时器的逻辑提取到一个名为_wait_until_io_ready. 这是有意将这个示例与最后一个主题联系起来：真实 IO。
在這裡，我們完成了我們的小型非同步範例，使用了async/await。現在，你可能已經注意到我將timer重命名為io，並將用於尋找最小計時器的邏輯提取到一個名為_wait_until_io_ready的函數中。這是為了將本範例與最後一個主題：真正的IO，連接起來。
所以，所有這些例子都很棒，但是它們與真正的asyncio 有什麼關係，我們希望在真正IO 上等待TCP套接字和檔案讀/寫？嗯，美麗就在那個_wait_until_io_ready功能中。為了讓真正的 IO 正常運作，我們要做的就是建立一些AsyncReadFile類似於AsyncTimer包含檔案描述子的新物件。然後，AsyncReadFile我們正在等待的物件集對應到一組檔案描述符。最後，我們可以使用函數 (syscall) select()等待這些檔案描述子之一來準備好。由於 TCP/UDP 套接字是使用文件描述符實現的，因此這也涵蓋了網路請求。
所以，所有這些例子都很好，但它們與真正的非同步IO有什麼關係呢？我們希望等待實際的IO，例如TCP套接字和文件讀/寫？好吧，其優點在於_wait_until_io_ready函數。要讓真正的IO運作，我們需要做的就是建立一些新的AsyncReadFile，類似於AsyncTimer，它包含一個檔案描述子。然後，我們正在等待的一組AsyncReadFile物件對應於一組檔案描述子。最後，我們可以使用函數（syscall）select()等待這些檔案描述子之一準備好。由於TCP/UDP套接字是使用檔案描述符實現的，因此這也涵蓋了網路請求。
以上是Python非同步方法怎麼使用的詳細內容。更多資訊請關注PHP中文網其他相關文章！
