翻译
Sync vs. Async Python: What is the Difference?
你有没有听人说过异步 Python 代码比“一般”(或同步) Python 代码更快？这怎么可能？在本文中，我将尝试解释什么是异步以及它与一般 Python 代码的区别。
Sync 和 Async 是什么意思？
Web 应用程序通常须要解决许多申请，所有申请都是在短时间内从不同的客户端收回的。为了防止解决提早，它们必须可能并行处理多个申请（通常称为并发）。在本文中，我将持续应用 web 应用程序作为例子，但请记住，还有其余类型的应用程序也受害于同时实现多个工作，因而这个探讨并不是专门针对 web 的。
术语“sync”和“async”指的是编写应用并发的应用程序的两种形式。所谓的“sync”服务器应用线程和过程的底层操作系统反对来实现这种并发。以下是同步部署的效果图:
在这种状况下，咱们有五个客户端，所有客户端都向应用程序发送申请。这个应用程序的公共拜访点是一个 web 服务器，它充当一个负载均衡器，将申请分发给一组服务器 worker，这些 worker 能够实现为过程、线程或两者的组合。worker 执行负载均衡器调配给他们的申请。你能够用 Flask 或 Django 这样的 web 应用程序框架来编写利用程序逻辑，它们就位于这些 worker 中。
这种类型的解决方案非常适合领有多个 CPU 的服务器，因为你能够将 worker 的数量配置为 cpu 数量的倍数，并且通过这种配置，实现 cores 的平均利用率，这是单个 Python 过程无奈做到的，因为 全局解释器锁定（GIL）强加了一些限度。
就毛病而言，上图分明地表明了此办法的次要局限性。咱们有 5 个客户端，但只有 4 个 worker。如果这 5 个客户端同时发送申请，而负载平衡器只能给每个 worker 分派 1 个申请，没有竞争到 worker 的申请将保留在队列中，期待一个 worker 可用。因而，5 个客户端中有 4 个将及时收到回复，但其中 1 个将不得不期待更长的工夫。使服务器性能良好的关键在于抉择适当数量的 worker，以避免或尽量减少在给定预期负载的状况下阻塞申请的状况。
异步服务器设置较难绘制，但这是我的最佳抉择：
这种类型的服务器在由循环管制的单个过程中运行。循环是一个十分高效的工作管理器和调度器，它创立工作以解决客户端发送的申请。与长期运行的服务器 worker 不同，循环会创立一个异步工作来解决特定的申请，当该申请实现时，该工作将被销毁。在任何给定的工夫，异步服务器可能有数百个甚至数千个流动工作，所有这些工作由循环治理并同时实现本人的工作。
你可能想晓得异步工作之间的并行性是如何实现的。这是乏味的局部，因为异步应用程序齐全依赖于合作式多任务处理。这意味着什么？当一个工作须要期待一个内部事件时，例如来自数据库服务器的响应，而不是像同步 worker 那样期待，它通知循环须要期待什么，而后将控制权返回给循环。而后循环能够找到另一个筹备运行的工作，而此工作被数据库阻塞。最终数据库将发送响应，此时循环将思考第一个工作筹备再次运行，并将尽快恢复它。
异步工作暂停和复原执行的这种能力比拟形象可能难以了解。为了帮忙你将其利用于你可能曾经晓得的事件，请思考在 Python 中，实现此目标的一种办法是应用 await 或 yield 关键字，但这并不是惟一的办法，你稍后将看到。
异步应用程序齐全在单个过程和单个线程中运行，这令人诧异。当然，这种类型的并发须要肯定的规定，因为你 不能让工作在 CPU 上停留太长时间，否则残余的工作就会饿死 。为了使异步工作，所有工作都须要主动暂停并及时将控制权返回给循环。要从异步格调中受害，应用程序须要执行的工作 通常会被 I/O 阻塞，并且不须要太多的 CPU 工作。Web 应用程序通常非常适合，特地是如果它们须要解决大量客户端申请时。
为了在应用异步服务器时最大限度地利用多个 CPU，通常会创立一个混合解决方案，增加一个负载平衡器并在每个 CPU 上运行一个异步服务器，如下图所示：
在 Python 中实现异步的两种办法
我确定你晓得，要在 Python 中编写异步应用程序，你能够应用 asyncio 包，它构建在协程之上，以实现所有异步应用程序都须要的挂起和复原个性。关键词 yield，以及更新的 async 和 await，是 asyncio 构建异步性能的根底。为了描述一幅残缺的图景，Python 生态系统中还有其余基于协程的异步解决方案，比方 Trio 和 Curio。还有 Twisted，它是最古老的协同框架，甚至早于 asyncio。
如果你有趣味编写一个异步 web 应用程序，有很多基于 coroutines 的异步框架可供选择，包含 aiohttp、sanic、FastAPI 和 Tornado。
很多人不晓得的是，协程只是 Python 中可用于编写异步代码的两种办法之一。第二种办法是基于一个名为 greenlet 的软件包，你能够应用 pip 进行装置。Greenlets 与协程相似，因为它们也容许 Python 函数暂停执行并在当前复原执行，然而实现形式却齐全不同，这意味着 Python 中的异步生态系统分为两个大类。
coroutine 和 greenlets 进行异步开发的乏味的区别在于，前者须要 Python 语言的特定关键字和个性能力工作，而后者不须要。我的意思是，基于 coroutine 的应用程序须要应用十分特定的语法编写，而基于 greenlet 的应用程序看起来与一般的 Python 代码齐全一样。这十分酷，因为在某些条件下，它容许异步执行同步代码，这是基于 coroutine 的解决方案（例如 asyncio）无奈做到的。
那么在 greenlet 方面有哪些 asyncio 的等价物呢？我晓得三个基于 greenlets 的异步包: Gevent, Eventlet 和 Meinheld，只管最初一个更像是一个 web 服务器而不是一个通用的异步库。它们都有本人的异步循环实现，并且提供了一个乏味的“monkey-patching”个性，用在 greenlets 上实现的等效非阻塞版本替换 Python 规范库中的阻塞函数，比方那些执行网络和线程的函数。如果你有一段心愿异步运行的同步代码，那么这些包很有可能会让你做到这一点。
你会对此感到诧异的。据我所知，惟一明确反对 greenlets 的 web 框架是 Flask。此框架会自动检测你何时在 greenlet web 服务器上运行，并进行相应的调整，而无需进行任何配置。在执行此操作时，您须要留神不要调用阻塞函数，否则，请应用 Monkey-patching 来“修复”这些阻塞函数。
然而，Flask 并不是惟一能够从 greenlets 中受害的框架。其余的 web 框架，比方 Django 和 Bottle，它们不晓得 greenlets，当它们与 greenlet web 服务器配对时，也能够异步运行，并且猴子补丁修复了阻塞性能。
异步比同步更快吗？
对于同步和异步应用程序的性能，存在宽泛的误会。人们认为异步应用程序比同步应用程序要快得多。
让我廓清一下，以便咱们达成对立认知。不论 Python 代码是同步编写还是异步编写，它的运行速度都是完全相同的。除了代码外，还有两个因素能够影响并发应用程序的性能：上下文切换和可伸缩性。
上下文切换
在所有正在运行的工作之间偏心地共享 CPU 所需的工作（称为上下文切换）可能会影响应用程序的性能。对于同步应用程序，此工作由操作系统实现 ，并且基本上是一个没有配置或微调选项的黑匣子。 对于异步应用程序，上下文切换由循环实现。
asyncio 提供的默认循环实现是用 Python 编写的，它不被认为是十分高效的。uvloop 软件包提供了一个代替循环，该循环局部用 C 代码实现，以实现更好的性能。Gevent 和 Meinheld 应用的事件循环也用 C 代码编写。Eventlet 应用 Python 编写的循环。
高度优化的异步循环在进行上下文切换方面可能比操作系统更无效，然而以我的教训，要想看到切实的性能晋升，你必须在很高的并发级别上运行。对于大多数应用程序，我认为同步和异步上下文切换之间的性能差别不会很显著。
伸缩性
我认为，异步更快的神话来源于异步应用程序通常可能更无效地应用 cpu，因为它们比同步具备更好的伸缩性和更灵便的办法。
考虑一下如果上图所示的同步服务器同时接管 100 个申请，将会产生什么状况。该服务器一次不能解决超过 4 个申请，因而其中大多数申请将在队列中期待一段时间，而后能力调配 worker。
与异步服务器相比，异步服务器会立刻创立 100 个工作(如果应用混合模型，4 个异步 worker 每个会创立 25 个工作)。应用异步服务器，所有申请都能够在不用期待的状况下开始解决(不过偏心地说，可能还存在其余会升高速度的瓶颈，比方对流动数据库连接数的限度)。
如果这 100 个工作大量应用 CPU，那么同步和异步解决方案将有相似的性能，因为 CPU 运行的速度是固定的，Python 的执行代码的速度总是雷同的，应用程序所做的工作也是雷同的。然而，如果工作须要执行大量 I/O 操作，那么只有 4 个并发申请，同步服务器可能无奈实现高 CPU 利用率。另一方面，异步服务器必定可能更好地放弃 cpu 处于繁忙状态，因为它并行地运行所有 100 个申请。
你可能想晓得为什么不能运行 100 个同步 worker，这样两个服务器就具备雷同的并发性。考虑一下，每个 worker 都须要有本人的 Python 解释器，以及与之相干的所有资源，再加上具备本人资源应用程序的一个独自正本。服务器和应用程序的大小将决定能够运行多少个 worker 实例，但通常这个数字并不是很高。另一方面，异步工作十分轻量级，并且都在单个 worker 过程的上下文中运行，因而它们具备显著的劣势。
记住这些，咱们能够说异步只有在以下状况下才会比同步更快:
- 高负载（没有高负载就没有高并发性的劣势）
- 工作受 I/O 束缚（如果工作受 CPU 束缚，那么 超过 CPU 数以上的并发性就没有帮忙了）
- 你能够查看 每单位工夫解决的均匀申请数。如果查看单个申请解决工夫，你不会看到很大的差别，并且因为有更多的并发工作竞争 CPU，异步甚至可能会略微慢一点
我心愿本文可能廓清一些对于异步代码的混同和误会。我心愿你们记住以下两个要点:
- 在高负载下，异步应用程序只会比同步等效程序做得更好
- 因为 greenlet，即便你编写一般代码并应用传统框架(如 Flask 或 Django)，也能够从异步中受害
如果你想更具体地理解异步零碎是如何工作的，请查看我的 PyCon 演示文稿 Asynchronous Python for the Complete Beginner。