異步協(xié)程的使用方法是什么

這篇文章給大家分享的是有關異步協(xié)程的使用方法是什么的內(nèi)容。小編覺得挺實用的，因此分享給大家做個參考。一起跟隨小編過來看看吧。

1. 前言

在執(zhí)行一些 IO 密集型任務的時候，程序常常會因為等待 IO 而阻塞。比如在網(wǎng)絡爬蟲中，如果我們使用 requests 庫來進行請求的話，如果網(wǎng)站響應速度過慢，程序一直在等待網(wǎng)站響應，最后導致其爬取效率是非常非常低的。

為了解決這類問題，本文就來探討一下 Python 中異步協(xié)程來加速的方法，此種方法對于 IO 密集型任務非常有效。如將其應用到網(wǎng)絡爬蟲中，爬取效率甚至可以成百倍地提升。

注：本文協(xié)程使用 async/await 來實現(xiàn)，需要 Python 3.5 及以上版本。

2. 基本了解

在了解異步協(xié)程之前，我們首先得了解一些基礎概念，如阻塞和非阻塞、同步和異步、多進程和協(xié)程。

2.1 阻塞

阻塞狀態(tài)指程序未得到所需計算資源時被掛起的狀態(tài)。程序在等待某個操作完成期間，自身無法繼續(xù)干別的事情，則稱該程序在該操作上是阻塞的。

常見的阻塞形式有：網(wǎng)絡 I/O 阻塞、磁盤 I/O 阻塞、用戶輸入阻塞等。阻塞是無處不在的，包括 CPU 切換上下文時，所有的進程都無法真正干事情，它們也會被阻塞。如果是多核 CPU 則正在執(zhí)行上下文切換操作的核不可被利用。

2.2 非阻塞

程序在等待某操作過程中，自身不被阻塞，可以繼續(xù)運行干別的事情，則稱該程序在該操作上是非阻塞的。

非阻塞并不是在任何程序級別、任何情況下都可以存在的。

僅當程序封裝的級別可以囊括獨立的子程序單元時，它才可能存在非阻塞狀態(tài)。

非阻塞的存在是因為阻塞存在，正因為某個操作阻塞導致的耗時與效率低下，我們才要把它變成非阻塞的。

2.3 同步

不同程序單元為了完成某個任務，在執(zhí)行過程中需靠某種通信方式以協(xié)調(diào)一致，稱這些程序單元是同步執(zhí)行的。

例如購物系統(tǒng)中更新商品庫存，需要用“行鎖”作為通信信號，讓不同的更新請求強制排隊順序執(zhí)行，那更新庫存的操作是同步的。

簡言之，同步意味著有序。

2.4 異步

為完成某個任務，不同程序單元之間過程中無需通信協(xié)調(diào)，也能完成任務的方式，不相關的程序單元之間可以是異步的。

例如，爬蟲下載網(wǎng)頁。調(diào)度程序調(diào)用下載程序后，即可調(diào)度其他任務，而無需與該下載任務保持通信以協(xié)調(diào)行為。不同網(wǎng)頁的下載、保存等操作都是無關的，也無需相互通知協(xié)調(diào)。這些異步操作的完成時刻并不確定。

簡言之，異步意味著無序。

2.5 多進程

多進程就是利用 CPU 的多核優(yōu)勢，在同一時間并行地執(zhí)行多個任務，可以大大提高執(zhí)行效率。

2.6 協(xié)程

協(xié)程，英文叫做 Coroutine，又稱微線程，纖程，協(xié)程是一種用戶態(tài)的輕量級線程。

協(xié)程擁有自己的寄存器上下文和棧。協(xié)程調(diào)度切換時，將寄存器上下文和棧保存到其他地方，在切回來的時候，恢復先前保存的寄存器上下文和棧。因此協(xié)程能保留上一次調(diào)用時的狀態(tài)，即所有局部狀態(tài)的一個特定組合，每次過程重入時，就相當于進入上一次調(diào)用的狀態(tài)。

協(xié)程本質(zhì)上是個單進程，協(xié)程相對于多進程來說，無需線程上下文切換的開銷，無需原子操作鎖定及同步的開銷，編程模型也非常簡單。

我們可以使用協(xié)程來實現(xiàn)異步操作，比如在網(wǎng)絡爬蟲場景下，我們發(fā)出一個請求之后，需要等待一定的時間才能得到響應，但其實在這個等待過程中，程序可以干許多其他的事情，等到響應得到之后才切換回來繼續(xù)處理，這樣可以充分利用 CPU 和其他資源，這就是異步協(xié)程的優(yōu)勢。

3. 異步協(xié)程用法

接下來讓我們來了解下協(xié)程的實現(xiàn)，從 Python 3.4 開始，Python 中加入了協(xié)程的概念，但這個版本的協(xié)程還是以生成器對象為基礎的，在 Python 3.5 則增加了 async/await，使得協(xié)程的實現(xiàn)更加方便。

Python 中使用協(xié)程最常用的庫莫過于 asyncio，所以本文會以 asyncio 為基礎來介紹協(xié)程的使用。

首先我們需要了解下面幾個概念：

event_loop：事件循環(huán)，相當于一個無限循環(huán)，我們可以把一些函數(shù)注冊到這個事件循環(huán)上，當滿足條件發(fā)生的時候，就會調(diào)用對應的處理方法。

coroutine：中文翻譯叫協(xié)程，在 Python 中常指代為協(xié)程對象類型，我們可以將協(xié)程對象注冊到時間循環(huán)中，它會被事件循環(huán)調(diào)用。我們可以使用 async 關鍵字來定義一個方法，這個方法在調(diào)用時不會立即被執(zhí)行，而是返回一個協(xié)程對象。

task：任務，它是對協(xié)程對象的進一步封裝，包含了任務的各個狀態(tài)。

future：代表將來執(zhí)行或沒有執(zhí)行的任務的結(jié)果，實際上和 task 沒有本質(zhì)區(qū)別。

另外我們還需要了解 async/await 關鍵字，它是從 Python 3.5 才出現(xiàn)的，專門用于定義協(xié)程。其中，async 定義一個協(xié)程，await 用來掛起阻塞方法的執(zhí)行。

3.1 定義協(xié)程

首先我們來定義一個協(xié)程，體驗一下它和普通進程在實現(xiàn)上的不同之處，代碼如下：

import asyncio
async def execute(x):
    print('Number:', x)
coroutine = execute(1)
print('Coroutine:', coroutine)
print('After calling execute')
loop = asyncio.get_event_loop()
loop.run_until_complete(coroutine)
print('After calling loop')

運行結(jié)果：

Coroutine: <coroutine object execute at 0x1034cf830>
After calling execute
Number: 1
After calling loop

首先我們引入了 asyncio 這個包，這樣我們才可以使用 async 和 await，然后我們使用 async 定義了一個 execute() 方法，方法接收一個數(shù)字參數(shù)，方法執(zhí)行之后會打印這個數(shù)字。

隨后我們直接調(diào)用了這個方法，然而這個方法并沒有執(zhí)行，而是返回了一個 coroutine 協(xié)程對象。隨后我們使用 get_event_loop() 方法創(chuàng)建了一個事件循環(huán) loop，并調(diào)用了 loop 對象的 run_until_complete() 方法將協(xié)程注冊到事件循環(huán) loop 中，然后啟動。最后我們才看到了 execute() 方法打印了輸出結(jié)果。

可見，async 定義的方法就會變成一個無法直接執(zhí)行的 coroutine 對象，必須將其注冊到事件循環(huán)中才可以執(zhí)行。

上文我們還提到了 task，它是對 coroutine 對象的進一步封裝，它里面相比 coroutine 對象多了運行狀態(tài)，比如 running、finished 等，我們可以用這些狀態(tài)來獲取協(xié)程對象的執(zhí)行情況。

在上面的例子中，當我們將 coroutine 對象傳遞給 run_until_complete() 方法的時候，實際上它進行了一個操作就是將 coroutine 封裝成了 task 對象，我們也可以顯式地進行聲明，如下所示：

import asyncio
async def execute(x):
    print('Number:', x)
    return x
coroutine = execute(1)
print('Coroutine:', coroutine)
print('After calling execute')
loop = asyncio.get_event_loop()
task = loop.create_task(coroutine)
print('Task:', task)
loop.run_until_complete(task)
print('Task:', task)
print('After calling loop')

運行結(jié)果：

Coroutine: <coroutine object execute at 0x10e0f7830>
After calling execute
Task: <Task pending coro=<execute() running at demo.py:4>>
Number: 1
Task: <Task finished coro=<execute() done, defined at demo.py:4> result=1>
After calling loop

這里我們定義了 loop 對象之后，接著調(diào)用了它的 create_task() 方法將 coroutine 對象轉(zhuǎn)化為了 task 對象，隨后我們打印輸出一下，發(fā)現(xiàn)它是 pending 狀態(tài)。接著我們將 task 對象添加到事件循環(huán)中得到執(zhí)行，隨后我們再打印輸出一下 task 對象，發(fā)現(xiàn)它的狀態(tài)就變成了 finished，同時還可以看到其 result 變成了 1，也就是我們定義的 execute() 方法的返回結(jié)果。

另外定義 task 對象還有一種方式，就是直接通過 asyncio 的 ensure_future() 方法，返回結(jié)果也是 task 對象，這樣的話我們就可以不借助于 loop 來定義，即使我們還沒有聲明 loop 也可以提前定義好 task 對象，寫法如下：

import asyncio
async def execute(x):
    print('Number:', x)
    return x
coroutine = execute(1)
print('Coroutine:', coroutine)
print('After calling execute')
task = asyncio.ensure_future(coroutine)
print('Task:', task)
loop = asyncio.get_event_loop()
loop.run_until_complete(task)
print('Task:', task)
print('After calling loop')

運行結(jié)果：

Coroutine: <coroutine object execute at 0x10aa33830>
After calling execute
Task: <Task pending coro=<execute() running at demo.py:4>>
Number: 1
Task: <Task finished coro=<execute() done, defined at demo.py:4> result=1>
After calling loop

發(fā)現(xiàn)其效果都是一樣的。

3.2 綁定回調(diào)

另外我們也可以為某個 task 綁定一個回調(diào)方法，來看下面的例子：

import asyncio
import requests
async def request():
    url = 'https://www.baidu.com'
    status = requests.get(url)
    return status
def callback(task):
    print('Status:', task.result())
coroutine = request()
task = asyncio.ensure_future(coroutine)
task.add_done_callback(callback)
print('Task:', task)
loop = asyncio.get_event_loop()
loop.run_until_complete(task)
print('Task:', task)

在這里我們定義了一個 request() 方法，請求了百度，返回狀態(tài)碼，但是這個方法里面我們沒有任何 print() 語句。隨后我們定義了一個 callback() 方法，這個方法接收一個參數(shù)，是 task 對象，然后調(diào)用 print() 方法打印了 task 對象的結(jié)果。這樣我們就定義好了一個 coroutine 對象和一個回調(diào)方法，我們現(xiàn)在希望的效果是，當 coroutine 對象執(zhí)行完畢之后，就去執(zhí)行聲明的 callback() 方法。

那么它們二者怎樣關聯(lián)起來呢？很簡單，只需要調(diào)用 add_done_callback() 方法即可，我們將 callback() 方法傳遞給了封裝好的 task 對象，這樣當 task 執(zhí)行完畢之后就可以調(diào)用 callback() 方法了，同時 task 對象還會作為參數(shù)傳遞給 callback() 方法，調(diào)用 task 對象的 result() 方法就可以獲取返回結(jié)果了。

運行結(jié)果：

Task: <Task pending coro=<request() running at demo.py:5> cb=[callback() at demo.py:11]>
Status: <Response [200]>
Task: <Task finished coro=<request() done, defined at demo.py:5> result=<Response [200]>>

實際上不用回調(diào)方法，直接在 task 運行完畢之后也可以直接調(diào)用 result() 方法獲取結(jié)果，如下所示：

import asyncio
import requests
async def request():
    url = 'https://www.baidu.com'
    status = requests.get(url)
    return status
coroutine = request()
task = asyncio.ensure_future(coroutine)
print('Task:', task)
loop = asyncio.get_event_loop()
loop.run_until_complete(task)
print('Task:', task)
print('Task Result:', task.result())

運行結(jié)果是一樣的：

Task: <Task pending coro=<request() running at demo.py:4>>
Task: <Task finished coro=<request() done, defined at demo.py:4> result=<Response [200]>>
Task Result: <Response [200]>

3.3 多任務協(xié)程

上面的例子我們只執(zhí)行了一次請求，如果我們想執(zhí)行多次請求應該怎么辦呢？我們可以定義一個 task 列表，然后使用 asyncio 的 wait() 方法即可執(zhí)行，看下面的例子：

import asyncio
import requests
async def request():
    url = 'https://www.baidu.com'
    status = requests.get(url)
    return status
tasks = [asyncio.ensure_future(request()) for _ in range(5)]
print('Tasks:', tasks)
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))
for task in tasks:
    print('Task Result:', task.result())

這里我們使用一個 for 循環(huán)創(chuàng)建了五個 task，組成了一個列表，然后把這個列表首先傳遞給了 asyncio 的 wait() 方法，然后再將其注冊到時間循環(huán)中，就可以發(fā)起五個任務了。最后我們再將任務的運行結(jié)果輸出出來，運行結(jié)果如下：

Tasks: [<Task pending coro=<request() running at demo.py:5>>, <Task pending coro=<request() running at demo.py:5>>, 
<Task pending coro=<request() running at demo.py:5>>, <Task pending coro=<request() running at demo.py:5>>, 
<Task pending coro=<request() running at demo.py:5>>]
Task Result: <Response [200]>
Task Result: <Response [200]>
Task Result: <Response [200]>
Task Result: <Response [200]>
Task Result: <Response [200]>

可以看到五個任務被順次執(zhí)行了，并得到了運行結(jié)果。

3.4 協(xié)程實現(xiàn)

前面說了這么一通，又是 async，又是 coroutine，又是 task，又是 callback，但似乎并沒有看出協(xié)程的優(yōu)勢啊？反而寫法上更加奇怪和麻煩了，別急，上面的案例只是為后面的使用作鋪墊，接下來我們正式來看下協(xié)程在解決 IO 密集型任務上有怎樣的優(yōu)勢吧！

上面的代碼中，我們用一個網(wǎng)絡請求作為示例，這就是一個耗時等待的操作，因為我們請求網(wǎng)頁之后需要等待頁面響應并返回結(jié)果。耗時等待的操作一般都是 IO 操作，比如文件讀取、網(wǎng)絡請求等等。協(xié)程對于處理這種操作是有很大優(yōu)勢的，當遇到需要等待的情況的時候，程序可以暫時掛起，轉(zhuǎn)而去執(zhí)行其他的操作，從而避免一直等待一個程序而耗費過多的時間，充分利用資源。

為了表現(xiàn)出協(xié)程的優(yōu)勢，我們需要先創(chuàng)建一個合適的實驗環(huán)境，最好的方法就是模擬一個需要等待一定時間才可以獲取返回結(jié)果的網(wǎng)頁，上面的代碼中使用了百度，但百度的響應太快了，而且響應速度也會受本機網(wǎng)速影響，所以最好的方式是自己在本地模擬一個慢速服務器，這里我們選用 Flask。

如果沒有安裝 Flask 的話可以執(zhí)行如下命令安裝：

pip3 install flask

然后編寫服務器代碼如下：

from flask import Flask
import time
app = Flask(__name__)
@app.route('/')
def index():
    time.sleep(3)
    return 'Hello!'
if __name__ == '__main__':
    app.run(threaded=True)

這里我們定義了一個 Flask 服務，主入口是 index() 方法，方法里面先調(diào)用了 sleep() 方法休眠 3 秒，然后接著再返回結(jié)果，也就是說，每次請求這個接口至少要耗時 3 秒，這樣我們就模擬了一個慢速的服務接口。

注意這里服務啟動的時候，run() 方法加了一個參數(shù) threaded，這表明 Flask 啟動了多線程模式，不然默認是只有一個線程的。如果不開啟多線程模式，同一時刻遇到多個請求的時候，只能順次處理，這樣即使我們使用協(xié)程異步請求了這個服務，也只能一個一個排隊等待，瓶頸就會出現(xiàn)在服務端。所以，多線程模式是有必要打開的。

啟動之后，F(xiàn)lask 應該默認會在 127.0.0.1:5000 上運行，運行之后控制臺輸出結(jié)果如下：

 * Running on http://127.0.0.1:5000/ (Press CTRL+C to quit)

接下來我們再重新使用上面的方法請求一遍：

import asyncio
import requests
import time
 
start = time.time()
 
async def request():
    url = 'http://127.0.0.1:5000'
    print('Waiting for', url)
    response = requests.get(url)
    print('Get response from', url, 'Result:', response.text)
 
tasks = [asyncio.ensure_future(request()) for _ in range(5)]
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))
 
end = time.time()
print('Cost time:', end - start)

在這里我們還是創(chuàng)建了五個 task，然后將 task 列表傳給 wait() 方法并注冊到時間循環(huán)中執(zhí)行。

運行結(jié)果如下：

Waiting for http://127.0.0.1:5000
Get response from http://127.0.0.1:5000 Result: Hello!
Waiting for http://127.0.0.1:5000
Get response from http://127.0.0.1:5000 Result: Hello!
Waiting for http://127.0.0.1:5000
Get response from http://127.0.0.1:5000 Result: Hello!
Waiting for http://127.0.0.1:5000
Get response from http://127.0.0.1:5000 Result: Hello!
Waiting for http://127.0.0.1:5000
Get response from http://127.0.0.1:5000 Result: Hello!
Cost time: 15.049368143081665

可以發(fā)現(xiàn)和正常的請求并沒有什么兩樣，依然還是順次執(zhí)行的，耗時 15 秒，平均一個請求耗時 3 秒，說好的異步處理呢？

其實，要實現(xiàn)異步處理，我們得先要有掛起的操作，當一個任務需要等待 IO 結(jié)果的時候，可以掛起當前任務，轉(zhuǎn)而去執(zhí)行其他任務，這樣我們才能充分利用好資源，上面方法都是一本正經(jīng)的串行走下來，連個掛起都沒有，怎么可能實現(xiàn)異步？想太多了。

要實現(xiàn)異步，接下來我們再了解一下 await 的用法，使用 await 可以將耗時等待的操作掛起，讓出控制權。當協(xié)程執(zhí)行的時候遇到 await，時間循環(huán)就會將本協(xié)程掛起，轉(zhuǎn)而去執(zhí)行別的協(xié)程，直到其他的協(xié)程掛起或執(zhí)行完畢。

所以，我們可能會將代碼中的 request() 方法改成如下的樣子：

async def request():
    url = 'http://127.0.0.1:5000'
    print('Waiting for', url)
    response = await requests.get(url)
    print('Get response from', url, 'Result:', response.text)

僅僅是在 requests 前面加了一個 await，然而執(zhí)行以下代碼，會得到如下報錯：

Waiting for http://127.0.0.1:5000
Waiting for http://127.0.0.1:5000
Waiting for http://127.0.0.1:5000
Waiting for http://127.0.0.1:5000
Waiting for http://127.0.0.1:5000
Cost time: 15.048935890197754
Task exception was never retrieved
future: <Task finished coro=<request() done, defined at demo.py:7> exception=TypeError("object Response can't be 
used in 'await' expression",)>
Traceback (most recent call last):
  File "demo.py", line 10, in request
    status = await requests.get(url)
TypeError: object Response can't be used in 'await' expression

這次它遇到 await 方法確實掛起了，也等待了，但是最后卻報了這么個錯，這個錯誤的意思是 requests 返回的 Response 對象不能和 await 一起使用，為什么呢？因為根據(jù)官方文檔說明，await 后面的對象必須是如下格式之一：

A native coroutine object returned from a native coroutine function，一個原生 coroutine 對象。

A generator-based coroutine object returned from a function decorated with types.coroutine()，一個由 types.coroutine() 修飾的生成器，這個生成器可以返回 coroutine 對象。

An object with an await__ method returning an iterator，一個包含 __await 方法的對象返回的一個迭代器。

可以參見：https://www.python.org/dev/peps/pep-0492/#await-expression。

reqeusts 返回的 Response 不符合上面任一條件，因此就會報上面的錯誤了。

那么有的小伙伴就發(fā)現(xiàn)了，既然 await 后面可以跟一個 coroutine 對象，那么我用 async 把請求的方法改成 coroutine 對象不就可以了嗎？所以就改寫成如下的樣子：

import asyncio
import requests
import time
start = time.time()
async def get(url):
    return requests.get(url)
async def request():
    url = 'http://127.0.0.1:5000'
    print('Waiting for', url)
    response = await get(url)
    print('Get response from', url, 'Result:', response.text)
tasks = [asyncio.ensure_future(request()) for _ in range(5)]
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))
end = time.time()
print('Cost time:', end - start)

這里我們將請求頁面的方法獨立出來，并用 async 修飾，這樣就得到了一個 coroutine 對象，我們運行一下看看：

Waiting for http://127.0.0.1:5000
Get response from http://127.0.0.1:5000 Result: Hello!
Waiting for http://127.0.0.1:5000
Get response from http://127.0.0.1:5000 Result: Hello!
Waiting for http://127.0.0.1:5000
Get response from http://127.0.0.1:5000 Result: Hello!
Waiting for http://127.0.0.1:5000
Get response from http://127.0.0.1:5000 Result: Hello!
Waiting for http://127.0.0.1:5000
Get response from http://127.0.0.1:5000 Result: Hello!
Cost time: 15.134317874908447

還是不行，它還不是異步執(zhí)行，也就是說我們僅僅將涉及 IO 操作的代碼封裝到 async 修飾的方法里面是不可行的！我們必須要使用支持異步操作的請求方式才可以實現(xiàn)真正的異步，所以這里就需要 aiohttp 派上用場了。

3.5 使用 aiohttp

aiohttp 是一個支持異步請求的庫，利用它和 asyncio 配合我們可以非常方便地實現(xiàn)異步請求操作。

安裝方式如下：

pip3 install aiohttp

官方文檔鏈接為：https://aiohttp.readthedocs.io/，它分為兩部分，一部分是 Client，一部分是 Server，詳細的內(nèi)容可以參考官方文檔。

下面我們將 aiohttp 用上來，將代碼改成如下樣子：

import asyncio
import aiohttp
import time
start = time.time()
async def get(url):
    session = aiohttp.ClientSession()
    response = await session.get(url)
    result = await response.text()
    session.close()
    return result
async def request():
    url = 'http://127.0.0.1:5000'
    print('Waiting for', url)
    result = await get(url)
    print('Get response from', url, 'Result:', result)
tasks = [asyncio.ensure_future(request()) for _ in range(5)]
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait(tasks))
end = time.time()
print('Cost time:', end - start)

在這里我們將請求庫由 requests 改成了 aiohttp，通過 aiohttp 的 ClientSession 類的 get() 方法進行請求，結(jié)果如下：

Waiting for http://127.0.0.1:5000
Waiting for http://127.0.0.1:5000
Waiting for http://127.0.0.1:5000
Waiting for http://127.0.0.1:5000
Waiting for http://127.0.0.1:5000
Get response from http://127.0.0.1:5000 Result: Hello!
Get response from http://127.0.0.1:5000 Result: Hello!
Get response from http://127.0.0.1:5000 Result: Hello!
Get response from http://127.0.0.1:5000 Result: Hello!
Get response from http://127.0.0.1:5000 Result: Hello!
Cost time: 3.0199508666992188

成功了！我們發(fā)現(xiàn)這次請求的耗時由 15 秒變成了 3 秒，耗時直接變成了原來的 1/5。

代碼里面我們使用了 await，后面跟了 get() 方法，在執(zhí)行這五個協(xié)程的時候，如果遇到了 await，那么就會將當前協(xié)程掛起，轉(zhuǎn)而去執(zhí)行其他的協(xié)程，直到其他的協(xié)程也掛起或執(zhí)行完畢，再進行下一個協(xié)程的執(zhí)行。

開始運行時，時間循環(huán)會運行第一個 task，針對第一個 task 來說，當執(zhí)行到第一個 await 跟著的 get() 方法時，它被掛起，但這個 get() 方法第一步的執(zhí)行是非阻塞的，掛起之后立馬被喚醒，所以立即又進入執(zhí)行，創(chuàng)建了 ClientSession 對象，接著遇到了第二個 await，調(diào)用了 session.get() 請求方法，然后就被掛起了，由于請求需要耗時很久，所以一直沒有被喚醒，好第一個 task 被掛起了，那接下來該怎么辦呢？事件循環(huán)會尋找當前未被掛起的協(xié)程繼續(xù)執(zhí)行，于是就轉(zhuǎn)而執(zhí)行第二個 task 了，也是一樣的流程操作，直到執(zhí)行了第五個 task 的 session.get() 方法之后，全部的 task 都被掛起了。所有 task 都已經(jīng)處于掛起狀態(tài)，那咋辦？只好等待了。3 秒之后，幾個請求幾乎同時都有了響應，然后幾個 task 也被喚醒接著執(zhí)行，輸出請求結(jié)果，最后耗時，3 秒！

怎么樣？這就是異步操作的便捷之處，當遇到阻塞式操作時，任務被掛起，程序接著去執(zhí)行其他的任務，而不是傻傻地等著，這樣可以充分利用 CPU 時間，而不必把時間浪費在等待 IO 上。

有人就會說了，既然這樣的話，在上面的例子中，在發(fā)出網(wǎng)絡請求后，既然接下來的 3 秒都是在等待的，在 3 秒之內(nèi)，CPU 可以處理的 task 數(shù)量遠不止這些，那么豈不是我們放 10 個、20 個、50 個、100 個、1000 個 task 一起執(zhí)行，最后得到所有結(jié)果的耗時不都是 3 秒左右嗎？因為這幾個任務被掛起后都是一起等待的。

理論來說確實是這樣的，不過有個前提，那就是服務器在同一時刻接受無限次請求都能保證正常返回結(jié)果，也就是服務器無限抗壓，另外還要忽略 IO 傳輸時延，確實可以做到無限 task 一起執(zhí)行且在預想時間內(nèi)得到結(jié)果。

我們這里將 task 數(shù)量設置成 100，再試一下：

tasks = [asyncio.ensure_future(request()) for _ in range(100)]

耗時結(jié)果如下：

Cost time: 3.106252670288086

最后運行時間也是在 3 秒左右，當然多出來的時間就是 IO 時延了。

可見，使用了異步協(xié)程之后，我們幾乎可以在相同的時間內(nèi)實現(xiàn)成百上千倍次的網(wǎng)絡請求，把這個運用在爬蟲中，速度提升可謂是非?？捎^了。

3.6 與單進程、多進程對比

可能有的小伙伴非常想知道上面的例子中，如果 100 次請求，不是用異步協(xié)程的話，使用單進程和多進程會耗費多少時間，我們來測試一下：

首先來測試一下單進程的時間：

import requests
import time
start = time.time()
def request():
    url = 'http://127.0.0.1:5000'
    print('Waiting for', url)
    result = requests.get(url).text
    print('Get response from', url, 'Result:', result)
for _ in range(100):
    request()
end = time.time()
print('Cost time:', end - start)

最后耗時：

Cost time: 305.16639709472656

接下來我們使用多進程來測試下，使用 multiprocessing 庫：

import requests
import time
import multiprocessing
start = time.time()
def request(_):
    url = 'http://127.0.0.1:5000'
    print('Waiting for', url)
    result = requests.get(url).text
    print('Get response from', url, 'Result:', result)
cpu_count = multiprocessing.cpu_count()
print('Cpu count:', cpu_count)
pool = multiprocessing.Pool(cpu_count)
pool.map(request, range(100))
end = time.time()
print('Cost time:', end - start)

這里我使用了multiprocessing 里面的 Pool 類，即進程池。我的電腦的 CPU 個數(shù)是 8 個，這里的進程池的大小就是 8。

運行時間：

Cost time: 48.17306900024414

可見 multiprocessing 相比單線程來說，還是可以大大提高效率的。

3.7 與多進程的結(jié)合

既然異步協(xié)程和多進程對網(wǎng)絡請求都有提升，那么為什么不把二者結(jié)合起來呢？在最新的 PyCon 2018 上，來自 Facebook 的 John Reese 介紹了 asyncio 和 multiprocessing 各自的特點，并開發(fā)了一個新的庫，叫做 aiomultiprocess，感興趣的可以了解下：https://www.youtube.com/watch?v=0kXaLh8Fz3k。

這個庫的安裝方式是：

pip3 install aiomultiprocess

需要 Python 3.6 及更高版本才可使用。

使用這個庫，我們可以將上面的例子改寫如下：

import asyncio
import aiohttp
import time
from aiomultiprocess import Pool
start = time.time()
async def get(url):
    session = aiohttp.ClientSession()
    response = await session.get(url)
    result = await response.text()
    session.close()
    return result
async def request():
    url = 'http://127.0.0.1:5000'
    urls = [url for _ in range(100)]
    async with Pool() as pool:
        result = await pool.map(get, urls)
        return result
coroutine = request()
task = asyncio.ensure_future(coroutine)
loop = asyncio.get_event_loop()
loop.run_until_complete(task)
end = time.time()
print('Cost time:', end - start)

這樣就會同時使用多進程和異步協(xié)程進行請求，當然最后的結(jié)果其實和異步是差不多的：

Cost time: 3.1156570434570312

因為我的測試接口的原因，最快的響應也是 3 秒，所以這部分多余的時間基本都是 IO 傳輸時延。但在真實情況下，我們在做爬取的時候遇到的情況千變?nèi)f化，一方面我們使用異步協(xié)程來防止阻塞，另一方面我們使用 multiprocessing 來利用多核成倍加速，節(jié)省時間其實還是非常可觀的。

感謝各位的閱讀！關于異步協(xié)程的使用方法是什么就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，讓大家可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！