03 · Python 异步与并发

前端对事件循环很熟，但把 JS 那套并发直觉搬到 Python 会翻车：asyncio 是库不是语言特性、有 GIL、多线程不等于并行。本篇讲清 asyncio / GIL / 多进程的边界，以及"什么时候 asyncio 救不了你"。

速览卡

项	内容
一句话定位	Python 并发三件套的选型与直觉
核心内容	asyncio 与 JS 差异、GIL、线程 vs 进程 vs 协程
读完能回答	为什么多线程加不了速？批量请求该用 asyncio 还是线程池？
相关板块	E01 Python 基础 ｜ N12 IO 模型 ｜ C07 性能与容量

---

一、JS 直觉为什么失效

维度	JS	Python
事件循环	语言内置，自动跑	asyncio 是库，要显式起
顶层 await	支持	脚本里要 asyncio.run()
并发单元	协程是默认	协程只是"可挂起的函数"，得手动调度
线程	没有真正的多线程共享	有线程，但受 GIL 限制

最大的坑：在 async 函数里调用同步阻塞代码，事件循环会卡死，因为没有自动把阻塞 IO 交给别的线程。

---

二、asyncio 的正确用法

import asyncio

async def fetch(x):
    await asyncio.sleep(0.1)   # 必须是"可等待"的 IO
    return x

async def main():
    results = await asyncio.gather(fetch(1), fetch(2), fetch(3))
    print(results)

asyncio.run(main())

适用：高并发 IO（批量调 LLM、爬虫、大量网络请求）。 不适用：CPU 密集计算、同步阻塞库（除非交给线程池 run_in_executor）。

---

三、GIL：为什么多线程不等于并行

GIL：同一进程内，任意时刻只有一个线程在执行 Python 字节码

密集类型	多线程	多进程
CPU 密集	不加倍（GIL 挡着）	✅ 真并行
IO 密集	✅（等待时不占 GIL）	可以但重

结论：IO 密集用 asyncio 或线程；CPU 密集用多进程（ProcessPoolExecutor / multiprocessing）。

---

四、三件套选型

方案	解决什么	代价
asyncio	高并发 IO	心智成本、阻塞调用要小心
ThreadPoolExecutor	同步库的并发	GIL 下 CPU 无效
ProcessPoolExecutor	CPU 密集并行	进程间通信、内存开销

from concurrent.futures import ProcessPoolExecutor

def heavy(x):          # CPU 密集
    return sum(range(x))

with ProcessPoolExecutor() as ex:
    results = list(ex.map(heavy, [10**6, 10**6]))

---

五、前端对照表

前端概念	Python 对应
Promise.all	asyncio.gather
await	await（语法类似）
setTimeout	asyncio.sleep
Web Worker	多进程
Promise.allSettled	asyncio.gather(return_exceptions=True)

---

六、常见踩坑

坑	后果	解法
async 里调 requests	事件循环卡死	用 httpx/aiohttp
asyncio.sleep 写普通 sleep	卡死	只 await 可等待对象
CPU 密集却用 asyncio	白等	换多进程
忘记 await 调用	协程没执行	检查 lint / 用 asyncio.run 收口

---

七、自检清单

• [ ] 能说清 asyncio 与 JS 事件循环的三个差异
• [ ] 知道 GIL 为什么限制 CPU 并行
• [ ] 能按密集类型选择 asyncio / 线程 / 进程
• [ ] 知道 async 里调同步阻塞代码会卡死循环
• [ ] 能写出 asyncio.gather 与 ProcessPoolExecutor 的最小示例

---

八、常见误区

误区	事实
"Python 和 JS 一样自动异步"	asyncio 是库，要显式驱动
"多线程一定加速"	CPU 密集被 GIL 挡住
"asyncio 万能"	同步阻塞库照样卡死事件循环
"并发 = 并行"	协程是并发复用，多进程才是并行

---

九、动手练习

练习 A：对比三种方案

写一个"模拟 IO"任务，分别用串行、asyncio、线程池跑 100 次，记录耗时并解释差异。

练习 B：CPU 密集对比

用 sum(range(n)) 跑大数，对比多线程与多进程耗时，验证 GIL 的结论。

练习 C：找出卡死

在 async 函数里故意用同步 time.sleep，运行观察事件循环卡死，再改成 await asyncio.sleep。

---

相关文档

本区

• 01 · Python 语言基础与 TS 对照 —— asyncio 与事件循环的差异
• 02 · Python 工程化 —— 并发代码的质量保障

网络区（异步的底层）

• 12 · 网络编程 IO 模型 —— 事件循环的通用原理

后端区（生产落地）

• 06 · 异步与消息：消息队列/事件驱动 —— 异步在服务端的形态
• 07 · 服务端性能与容量：连接池/线程模型 —— 并发容量设计