关于协程的认知

前言

在执行IO密集型任务的时候，程序经常会因为等待IO而阻塞。比如平时使用的requests库来进行请求接口，如果响应过慢，程序会一直等待响应，最后导致抓取数据的效率低下。为了解决这一问题，来研究一下异步协程加速的方法。

概念

阻塞。阻塞状态是指程序未得到所需计算资源被挂起的状态。程序在等待某操作期间，自身无法继续干别的事。常见的阻塞形式：网络I/O阻塞、磁盘IO/阻塞、用户输入阻塞等。
非阻塞。程序在等待某操作过程中，自身不被阻塞，可以继续运行干别的事，则成该程序在该操作上非阻塞的。非阻塞的存在是因为阻塞存在，正因为某个操作阻塞导致的耗时和效率低下，因此我们才要把它变味非阻塞的。
同步。不同的程序为了完成某个任务，在执行过程中需要依靠某种同喜方式协调一致，称这些程序单元是同步执行的，比如商品库存。
异步。为了完成某个任务，不同程序之间过程无需通信协调，也能完成任务的方式，不相关的程序单元之间是可以异步的。比如爬虫网页。
多进程。就是利用CPU多核的优势，在同一时间并行的执行多个任务，可以极大的提高效率。
协程，Coroutine，又称微线程，是一种用户态的轻量级线程。协程拥有自己的寄存器上下文和栈。协程调度切换时，将寄存器上下文和栈保存到其他地方，在切回来的时候，恢复之前保存的寄存器上下文和栈。因此协程能保留上一次调用时的状态，即局部状态的一个特定组合，每次过程重入时，就相当于进入上一次调用的状态。协程本质上是个单线程，相对于多进程来说，无需线程的上下文切换的开销，无需原子操作锁定及同步的开销。可以使用的场景，比如在网络爬虫的场景，发出一个请求之后，需要等待一定的实际才能得到响应。但是在等待过程中，程序可以做一些其他的事情，等到响应后再切回来继续处理，这样可以充分利用CPU和其他资源，也就是协程的优势所在。

执行顺序的对比

协程的用法

协程相关的概念:

event_loop 事件循环，相当于一个无限循环，可以把一些函数注册到这个事件循环上，当满足条件时，就会调用对应的处理方法。
coroutine 协程，在 Python 中常指代为协程对象类型，可以将协程对象注册到事件循环中，会被事件循环调用。使用 async 关键字来定义一个方法，在调用时不会立即被执行，而是先放回一个协程对象。
task 任务，是对协程对象的进一步封装，包含了任务的所有状态。
future 代表将来执行或没有执行任务的任务的结果，和task没有本质的区别。

定义协程

代码如下：

import asyncio

async def get_number(x):
    print('Number:', x)
    return x


if __name__ == '__main__':
    coroutine = get_number(1)
    print('Coroutine:', coroutine)
    print('After calling execute')

    loop = asyncio.get_event_loop()
    loop.run_until_complete(coroutine)
    print('After calling loop')

# 执行结果

Coroutine: <coroutine object get_number at 0x10e049f40>
After calling execute
Number: 1
After calling loop

执行过程的分析：

引入 asyncio ，这样才可以使用 async 和 await；
然后使用async定义一个方法，方法接收一个数字的参数，该方法执行后会打印数字；
随后调用这个方法，但是并没有执行，而是返回一个coroutine 协程对象；
之后我们使用get_event_loop方法创建一个事件循环loop，并调用了loop对象的run_until_complate方法将协程注册到事件循环loop中，然后启动；
最后看到了输出结果。

可见，async 定义的方法机会变成一个无法直接运行的coroutine对象，必须注册到事件循环中才可以执行。上文中提到的task，是对coroutine对象的进一步封装，比coroutine对象多了允许状态，比如running、fiished等，可以通过这些状态来获取协程对象的执行情况。


import asyncio

async def get_number(x):
    print('Number:', x)
    return x


if __name__ == '__main__':
    coroutine = get_number(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')

# 输出
Coroutine: <coroutine object get_number at 0x10e38df40>
After calling execute
Task: <Task pending name='Task-1' coro=<get_number() running at /Users/medivh/tools/test_async.py:45>>
Number: 1
Task: <Task finished name='Task-1' coro=<get_number() done, defined at /Users/medivh/tools/test_async.py:45> result=1>
After calling loop

这里定义loop对象后，接着调用了create_task方法将coroutine对象转化为了task对象，随后的输出发现是pending状态。接着将task对象添加到事件循环中得到执行，随后再输出，就变成了finished。并且同时result变成了1，也就是get_number方法的返回结果。

另外，还有一种定义task对象的方式，直接通过asyncio的ensure_future()方法，返回的也是task对象，就不需要借助loop来定义。

import asyncio


async def get_number(x):
    print('Number:', x)
    return x


if __name__ == '__main__':
    coroutine = get_number(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')

# 输出
Coroutine: <coroutine object get_number at 0x10c19ff40>
After calling execute
Task: <Task pending name='Task-1' coro=<get_number() running at /Users/medivh/tools/test_async.py:48>>
Number: 1
Task: <Task finished name='Task-1' coro=<get_number() done, defined at /Users/medivh/tools/test_async.py:48> result=1>
After calling loop

绑定回调

可以给某个task搬到回调方法，示例如下：

import asyncio
import requests


async def get_status():
    url = 'https://www.baidu.com'
    status = requests.get(url).status_code
    return status


def callback(task):
    print('Status:', task.result())


if __name__ == '__main__':
    coroutine_obj = get_status()
    task = asyncio.ensure_future(coroutine_obj)  # 定义task
    task.add_done_callback(callback)    # 将callback() 传递给封装好的task对象
    print('Task:', task)

    loop = asyncio.get_event_loop()
    loop.run_until_complete(task)
    print('Task:', task)
# 输出
Task: <Task pending name='Task-1' coro=<request() running at /Users/medivh/github/mercury/tools/test_async.py:69> cb=[callback() at /Users/medivh/tools/test_async.py:75]>
Status: 200
Task: <Task finished name='Task-1' coro=<request() done, defined at /Users/medivh/tools/test_async.py:69> result=200>

代码说明：

调用add_done_callback方法，将callback方法传递给封装好的task对象；
task执行完毕后调用callback方法；
task对象同时作为参数传递给callback方法，调用task对象的result方法就可以获取返回结果。

其实，不用回方法，直接在task运行完毕后也可以直接调用result方法获取结果。


import asyncio
import requests


async def get_status():
    url = 'https://www.baidu.com'
    status = requests.get(url).status_code
    return status

if __name__ == '__main__':
    coroutine_obj = get_status()
    task = asyncio.ensure_future(coroutine_obj)  # 定义task
    print('Task:', task)

    loop = asyncio.get_event_loop()
    loop.run_until_complete(task)
    print('Task:', task)
    print('Task Result:', task.result())
# 输出
Task: <Task pending name='Task-1' coro=<get_status() running at /Users/medivh/tools/test_async.py:69>>
Task: <Task finished name='Task-1' coro=<get_status() done, defined at /Users/medivh/tools/test_async.py:69> result=200>
Task Result: 200

多任务协程

对于想执行多次请求的方案，可以定义一个task列表，然后使用asyncio的wait方法即可执行。

import asyncio
import requests


async def get_status():
    url = 'https://www.baidu.com'
    status = requests.get(url).status_code
    return status


if __name__ == '__main__':
    tasks = [asyncio.ensure_future(get_status()) 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())
# 输出
Tasks:  [<Task pending name='Task-1' coro=<get_status() running at /Users/medivh/github/mercury/tools/test_async.py:69>>, <Task pending name='Task-2' coro=<get_status() running at /Users/medivh/github/mercury/tools/test_async.py:69>>, <Task pending name='Task-3' coro=<get_status() running at /Users/medivh/github/mercury/tools/test_async.py:69>>, <Task pending name='Task-4' coro=<get_status() running at /Users/medivh/github/mercury/tools/test_async.py:69>>, <Task pending name='Task-5' coro=<get_status() running at /Users/medivh/github/mercury/tools/test_async.py:69>>]
Task Result: 200
Task Result: 200
Task Result: 200
Task Result: 200
Task Result: 200

代码说明：

for循环创建5个task，组成list；
把list首先传给asyncio的wait方法，然后注册到事件循环中；
发起5个任务；
输出任务结果。

协程实现

前面的代码都是以网络请求为例，都是耗时的等待的操作，因为在请求网页后需要等待页面响应并返回结果。耗时的等待操作一般都是IO操作，比如文件读写、网络请求等，而协程对于处理这种操作具有很大优势。往往可以在需要等待的时候，程序可以暂时挂起，转而执行其他的操作，从而避免等待一个程序而耗费过多的时间，达到充分利用资源的目的。

代码示例如下:

import asyncio
import requests
import time


async def get_status():
    url = 'http://127.0.0.1/welcome'
    print('waiting for {} {}'.format(url,time.time()))
    status = requests.get(url).status_code
    return status


if __name__ == '__main__':
    start = time.time()
    tasks = [asyncio.ensure_future(get_status()) for _ in range(5)]
    loop = asyncio.get_event_loop()
    loop.run_until_complete(asyncio.wait(tasks))
    end = time.time()
    print('Cost time:', end - start)
# 输出
waiting for http://127.0.0.1/welcome 1658818769.805218
waiting for http://127.0.0.1/welcome 1658818770.0085208
waiting for http://127.0.0.1/welcome 1658818770.101907
waiting for http://127.0.0.1/welcome 1658818770.1906009
waiting for http://127.0.0.1/welcome 1658818770.262319
Cost time: 0.5311617851257324

事实上和正常的请求耗时相差不大，几乎是依次执行的。其实出现这种情况是因为要实现异步处理，必须得有挂起的操作，当一个任务需要等待IO结果的时候，可以挂起当前任务，转而去执行其他任务。

接下来了解一下await的用法，使用await可以将耗时等待的操作挂起，让出控制权。当协程执行的时候遇到await，事件循环就会将本协程挂起，转而执行其他的协程，知道其他的协程挂起或执行完毕。然后，将代码改造一下。

如果直接改造上文代码，会出现以下提示

'int' does not define '__await__', so the 'await' operator cannot be used on its instances ```。这是因为await后必须符合以下对象：

> * 一个原生coroutine对象
> * 一个有types.coroutine（）修饰的生成器，这个生成器可以返回coroutine对象
> * 一个包含await方法的对象返回的一个迭代器

接下来进行一次尝试，用async把请求的方法改造成coroutine对象：

```python
import asyncio
import requests
import time


async def get_status(url):
    return requests.get(url).status_code


async def get_result():
    url = 'http://127.0.0.1/welcome'
    print('waiting for {} {}'.format(url, time.time()))
    status = await get_status(url)
    return status


if __name__ == '__main__':
    start = time.time()
    tasks = [asyncio.ensure_future(get_result()) for _ in range(50)]
    loop = asyncio.get_event_loop()
    loop.run_until_complete(asyncio.wait(tasks))
    end = time.time()
    print('Cost time:', end - start)
# 输出
waiting for http://127.0.0.1/welcome 1658819455.563387
waiting for http://127.0.0.1/welcome 1658819455.612329
waiting for http://127.0.0.1/welcome 1658819455.662548
Cost time: 3.005825996398926

输出的结果证明这种方式不可行，并没有达到真正的异步。这里使用一个支持异步请求的库——aiohttp，利用它和asyncio配合可以方便的实现异步请求操作。

pip install apiohttp

import asyncio
import time
import aiohttp


async def get_status(url):
    session = aiohttp.ClientSession()
    response = await session.get(url)
    result = await response.text()
    await session.close()
    return result


async def get_result():
    url = 'http://127.0.0.1/api/afk/pod?current=1&pageSize=100'
    status = await get_status(url)
    return status


if __name__ == '__main__':
    start = time.time()
    tasks = [asyncio.ensure_future(get_result()) for _ in range(10)]
    loop = asyncio.get_event_loop()
    loop.run_until_complete(asyncio.wait(tasks))
    end = time.time()
    print('Cost time:', end - start)
# 输出
Cost time: 1.1510028839111328

请求耗时直接缩短到1秒左右。

使用await，后面跟get方法，在执行10个协程的时候，遇到了await，就会将当前协程挂起，转而执行其他协程，直到其他协程也挂起或执行完毕，再进行下一个协程的执行；
开始运行的时候，事件循环会运行第一个task，第一个task执行遇到await跟着的get方法后，被挂起。但这个get方法第一步的执行是非阻塞的，挂起后立刻被环行，创建了ClientSession对象，接着遇到第二个await，调用了session.get()请求方法，然后就被挂起。由于请求耗时较久，所以一直没有被唤醒；
事件循环会寻找当前为被挂起的协程继续执行，于是转而执行第二个task。之后，依次执行了第10个task的session.get()方法后，全部的task被挂起。
所有task处于挂起状态，等待响应。1秒后，所有请求几乎同时有了响应，然后这10个task都被唤醒继续执行，输出请求结果。

接下来尝试不同量级的task，输出结果：

# 1
Cost time: 1.0380501747131348

# 10
Cost time: 1.143162727355957

# 50
Cost time: 3.379934787750244

# 100
Cost time: 5.655962705612183

# 200 
Cost time: 9.78205680847168

# 300
Cost time: 9.797142028808594

最后的运行时间基本都在10秒内，200个task开始就会出现502情况，当然这个完全在于后端服务的问题。但是100个task以内的时候，时间都是很接近的。

和单进程、多进程对比

单进程：

import requests
import time


def get_page():
    url = 'http://127.0.0.1/api/afk/pod?current=1&pageSize=100'
    result = requests.get(url).status_code
    return result


if __name__ == '__main__':
    start = time.time()

    for _ in range(100):
        get_page()

    end = time.time()
    print('Cost time:', end - start)
# 输出
Cost time: 106.35312700271606

多进程：

import requests
import time
import multiprocessing


def get_page(_):
    url = 'http://127.0.0.1/api/afk/pod?current=1&pageSize=100'
    result = requests.get(url).status_code
    return result


if __name__ == '__main__':
    start = time.time()

    pool = multiprocessing.Pool(8)
    pool.map(get_page, range(100))

    end = time.time()
    print('Cost time:', end - start)

# 输出
Cost time: 16.823662996292114

8核CPU执行时间为16.8秒，远大于协程的5.6秒。

多线程：

import time
import threading


def get_page():
    url = 'http://127.0.0.1/api/afk/pod?current=1&pageSize=100'
    result = requests.get(url).status_code
    return result


if __name__ == '__main__':
    start = time.time()
    threads = []
    for i in range(200):
        t = threading.Thread(target=get_page)
        threads.append(t)
    for t in threads:
        t.setDaemon(True)
        t.start()
    for t in threads:
        t.join()
    end = time.time()
    print('Cost time:', end - start)
# 输出

Cost time: 10.563114881515503

多线程：

1	Cost time: 1.160654067993164

回顾

前面讲了那么多，是不是有些内容值得思考一下呢？现在回过头来再总结一下。

进程

进程是操作系统对一个正在运行的程序的一种抽象，进程是资源分配的最小单位。
那么为什么会有进程这个事物呢？主要目的是为了合理压榨CPU性能和分配运行的时间片。在计算机系统中，其计算核心是CPU，负责所有计算相关的工作和资源。单个CPU一次只能运行一个任务。如果一个进程运行着就完全占用一个CPU，是非常不合理的。

线程

有了多进程，为什么还要线程？原因如下：

进程直接的信息难以共享，父子进程并未共享内存，需要进程间通信，性能开销大
创建进程的性能开销较大。

进程由多个线程组成，一个进程可以由多个线程的执行单元组成。每个线程都在运行进程的上下文中，共享着同样的代码和全局数据。多个线程比多进程之间更容易共享数据，在上下文切换中一般比进程更高效，原因如下：

线程间能够快速、方便共享数据
创建线程的速度比创建进程快10倍以上

协程

协程是用户态的线程。协程的优势：

节省CPU。避免系统内核级的线程频繁切换，造成CPU的浪费。协程是用户态的线程，用户可以自行控制协程的创建和销毁，极大程度上避免了系统级线程上下文切换造成的资源浪费。
节约内存。64位的Linux系统中，一个线程需要分配8MB栈内存和64MB堆内存。系统内存的制约导致无法开启更多线程的并发。而协程只需要KB级别，可以轻松达到几十万。
稳定性。线程之间通过内存来共享数据，这就会导致一个问题，比如一个线程出错时，进程中的所有线程都会跟着崩溃。
开发效率。开发过程中，可以方便的把一些耗时的IO操作异步化，比如些写文件、耗时IO请求等。

总之，协程的本质是用户态下的线程.

用一个形象的例子：

进程就像一家餐馆，餐馆有多个服务员，每个餐桌是要完成的任务。单进程，对应一家餐馆；
多进程，增加了N家餐馆，接待的客人多了，成本也上去了；
多线程。一家餐馆，来一桌客人安排一个服务员；
协程。一家餐馆只安排一个服务员，A点菜，就去B服务，A点完了就再回到A这。B还没点完就去C那，依次类推，直到所有人都吃上饭。