Python 是一种功能强大且灵活的编程语言,它提供了多种方式来处理并发和并行执行。
编写高效的 Python 应用程序时,理解并掌握这些范式的差别至关重要。
本文将介绍 Python 中的三种主要并发与并行执行范式:Asyncio(协程)、Threading(线程)和 Multiprocessing(多进程)。
Asyncio:用于异步 I/O
Asyncio 是一个专为使用协程编写单线程并发代码的 Python 库。
它在涉及高级结构化网络代码或同时处理多个 I/O 密集任务的情况下表现出色。
其中包含两个重要概念:
异步/等待:在 Python 3.5 版本引入,该语法提供了一种更清晰、更易读的编写异步代码的方式。
事件循环:事件循环是 Asyncio 的核心,管理和分配不同任务的执行,实现高效的多任务处理。
代码示例
import asyncio
import aiohttp
async def fetch_url(url):
async with aiohttp.ClientSession() as session:
async with session.get(url) as response:
return await response.text()
async def main():
urls = ["http://example.com","http://example2.com"]
tasks = [fetch_url(url) for url in urls]
results = await asyncio.gather(*tasks)
return results
asyncio.run(main())
这段代码是使用 Asyncio 和 aiohttp 库来异步获取 URL 内容的示例。让我为你解释一下它的工作原理:
首先,代码导入了必要的模块 asyncio 和 aiohttp。
接下来,定义了一个名为 fetch_url 的异步函数。这个函数接受一个 URL 作为参数,并使用 aiohttp 库发送 HTTP 请求以获取 URL 的内容。
然后,我们使用 await 关键字来等待从response 中获取文本内容的操作。
接下来,定义了一个名为 main 的异步函数。在这个函数中,我们定义了一个URL列表,然后,我们使用列表推导式创建了一个包含 fetch_url 函数调用的任务列表。每个任务都是一个异步操作,用于获取一个 URL 的内容。
最后,我们使用asyncio.gather()函数来并发执行这些任务,并等待它们全部完成。gather()函数接受一系列任务作为参数,并返回一个包含所有任务结果的列表。在这里,我们使用 await 关键字等待并发执行的任务结果。
Threading:克服 GIL 的并发
Threading 允许在单个进程中执行多个线程。
由于全局解释器锁(GIL),Python 线程不会真正并行执行字节码,但对于 I/O 密集任务很有用。
全局解释器锁(GIL):一种互斥锁,用于保护对 Python 对象的访问,防止多个线程同时执行 Python 字节码。
I/O 密集任务的效率:对于等待I/O操作的任务,线程可以在这些操作期间释放GIL,让其他线程运行。
代码示例
import threading
import requests
def download_file(url):
response = requests.get(url)
print(f"Downloaded {url}")
urls = ["http://example.com/file1", "http://example.com/file2"]
threads = [threading.Thread(target=download_file, args=(url,)) for url in urls]
for thread in threads:
thread.start()
for thread in threads:
thread.join()
这个示例使用线程来进行网络操作,每个线程管理一个不同的下载任务。
Multiprocessing:Python 中的真正并行
Multiprocessing 涉及并行运行多个进程,每个进程都有自己的 Python 解释器,适用于需要并行计算的 CPU 密集任务。它实现了真正的并行,即,每个进程在自己的Python解释器中运行,实现真正的并行计算。
适合CPU密集任务并可以在多个CPU或核心上进行分布。
代码示例
from multiprocessing import Pool
def process_data(data_chunk):
# 处理数据
return result
if __name__ == "__main__":
data_chunks = [data1, data2, data3]
with Pool() as p:
results = p.map(process_data, data_chunks)
这段代码展示了如何利用 multiprocessing 模块中的 Pool 类来实现并行执行数据处理任务。它可以提高处理大量数据时的效率,并发地处理多个数据块,从而加快整体处理速度。这对于 CPU 密集任务非常有效。
结尾
如何选择并发模型,取决于你要解决的具体的问题。
Asyncio非常适合处理I/O密集任务,特别是涉及结构化网络代码的情况;
Threading 可以提高 I/O 密集型应用程序的性能,其中任务涉及阻塞的 I/O 操作。
Multiprocessing 是处理需要并行计算的 CPU 密集型任务的首选。
了解这些范式的优势和限制对于在 Python 开发中有效利用它们至关重要。