查看原文
其他

Python 协程的本质?原来也不过如此

毛豆先生 Python猫 2022-04-12
本文章信息量较大,从 IO 多路复用,到生成器的使用,再到 asyncawait 背后的实现原理,深入浅出,剖析得非常透彻,非常硬核!
作者:毛豆花生
原文链接:https://zhuanlan.zhihu.com/p/330549526
这两天因为一点个人原因写了点好久没碰的 Python ,其中涉及到「协程」编程,上次搞的时候,它还是 Web 框架 tornado 特有的 feature,现在已经有 asyncawait 关键字支持了。思考了一下其实现,回顾了下这些年的演变,觉得还有点意思。
都是单线程,为什么原来低效率的代码用了 asyncawait 加一些异步库就变得效率高了?
如果在做基于 Python 的网络或者 Web 开发时,对于这个问题曾感到疑惑,这篇文章尝试给一个答案。

0x00 开始之前

首先,本文不是带你浏览源代码,然后对照原始代码给你讲 Python 标准的实现。相反,我们会从实际问题出发,思考解决问题的方案,一步步体会解决方案的演进路径,最重要的,希望能在过程中获得知识系统性提升。
⚠️ 本文仅是提供了一个独立的思考方向,并未遵循历史和现有实际具体的实现细节。
其次,阅读这篇文章需要你对 Python 比较熟悉,至少了解 Python 中的生成器 generator 的概念。

0x01 IO 多路复用

这是性能的关键。但我们这里只解释概念,其实现细节不是重点,这对我们理解 Python 的协程已经足够了,如已足够了解,前进到 0x02
首先,你要知道所有的网络服务程序都是一个巨大的死循环,你的业务逻辑都在这个循环的某个时刻被调用:
def handler(request):
    # 处理请求
    pass

# 你的 handler 运行在 while 循环中
while True:
    # 获取一个新请求
    request = accept()
    # 根据路由映射获取到用户写的业务逻辑函数
    handler = get_handler(request)
    # 运行用户的handler,处理请求
    handler(request)
设想你的 Web 服务的某个 handler,在接收到请求后需要一个 API 调用才能响应结果。
对于最传统的网络应用,你的 API 请求发出去后在等待响应,此时程序停止运行,甚至新的请求也得在响应结束后才进得来。如果你依赖的 API 请求网络丢包严重,响应特别慢呢?那应用的吞吐量将非常低。
很多传统 Web 服务器使用多线程技术解决这个问题:把 handler 的运行放到其他线程上,每个线程处理一个请求,本线程阻塞不影响新请求进入。这能一定程度上解决问题,但对于并发比较大的系统,过多线程调度会带来很大的性能开销。
IO 多路复用可以做到不使用线程解决问题,它是由操作系统内核提供的功能,可以说专门为这类场景而生。简单来讲,你的程序遇到网络IO时,告诉操作系统帮你盯着,同时操作系统提供给你一个方法,让你可以随时获取到有哪些 IO 操作已经完成。就像这样:
# 操作系统的IO复用示例伪代码
# 向操作系统IO注册自己关注的IO操作的id和类型
io_register(io_id, io_type)
io_register(io_id, io_type)

# 获取完成的IO操作
events = io_get_finished()

for (io_id, io_type) in events:
    if io_type == READ:
        data = read_data(io_id) 
    elif io_type == WRITE:
        write_data(io_id,data)
把 IO 复用逻辑融合到我们的服务器中,大概会像这样:
call_backs = {}

def handler(req):
    # do jobs here
    io_register(io_id, io_type)
    def call_back(result):
        # 使用返回的result完成剩余工作...
    call_backs[io_id] = call_back

# 新的循环
while True:
    # 获取已经完成的io事件
    events = io_get_finished()
    for (io_id, io_type) in events:
        if io_type == READ: # 读取
            data = read(io_id) 
            call_back = call_backs[io_id]
            call_back(data)
        else:
            # 其他类型io事件的处理
            pass

    # 获取一个新请求
    request = accept()
    # 根据路由映射获取到用户写的业务逻辑函数
    handler = get_handler(request)
    # 运行用户的handler,处理请求
    handler(request)
我们的 handler 对于 IO 操作,注册了回调就立刻返回,同时每次迭代都会对已完成的 IO 执行回调,网络请求不再阻塞整个服务器。
上面的伪代码仅便于理解,具体实现细节更复杂。而且就连接受新请求也是在从操作系统得到监听端口的 IO 事件后进行的。
我们如果把循环部分还有 call_backs 字典拆分到单独模块,就能得到一个 EventLoop,也就是 Python 标准库 asyncio 包中提供的 ioloop

0x02 用生成器消除 callback

着重看下我们业务中经常写的 handler 函数,在有独立的 ioloop 后,它现在变成类似这样:
def handler(request):
    # 业务逻辑代码...
    # 需要执行一次 API 请求
    def call_back(result):
        # 使用 API 返回的result完成剩余工作
        print(result)
    # 没有io_call这个方法,这里只是示意,表示注册一个IO操作
    asyncio.get_event_loop().io_call(api, call_back)
到这里,性能问题已经解决了:我们不再需要多线程就能源源不断接受新请求,而且不用care依赖的 API 响应有多慢。
但是我们也引入了一个新问题,原来流畅的业务逻辑代码现在被拆成了两部分,请求 API 之前的代码还正常,请求 API 之后的代码只能写在回调函数里面了。
这里我们业务逻辑只有一个 API 调用,如果有多个 API ,再加上对 Redis 或者 MySQL 的调用(它们本质也是网络请求),整个逻辑会被拆分的更散,这对业务开发是一笔负担。
对于有匿名函数的一些语言(没错就是JavaScript),还可能会引发所谓的「回调地狱」。
接下来我们想办法解决这个问题。
我们很容易会想到:如果函数在运行到网络 IO 操作处后能够暂停,完成后又能在断点处唤醒就好了。
如果你对 Python 的「生成器」熟悉,你应该会发现,它恰好具有这个功能:
def example():
    value = yield 2
    print("get", value)
    return value

g = example()
# 启动生成器,我们会得到 2
got = g.send(None)
print(got)  # 2

try:
    # 再次启动 会显示 "get 4", 就是我们传入的值
    got = g.send(got*2)
except StopIteration as e:
    # 生成器运行完成,将会print(4),e.value 是生成器return的值
    print(e.value)
函数中有 yield 关键字,调用函数将会得到一个生成器,生成器一个关键的方法 send() 可以跟生成器交互。
g.send(None) 会运行生成器内代码直到遇到 yield,并返回其后的对象,也就是 2,生成器代码就停在这里了,直到我们再次执行 g.send(got*2),会把 2*2 也就是 4 赋值给yield 前面的变量 value,然后继续运行生成器代码。
yield 在这里就像一扇门,可以把一件东西从这里送出去,也可以把另一件东西拿进来。
如果 send 让生成器运行到下一个 yield 前就结束了,send 调用会引发一个特殊的异常StopIteration,这个异常自带一个属性 value,为生成器 return 的值。
如果我们把我们的 handleryield 关键字转换成一个生成器,运行它来把 IO 操作的具体内容返回,IO 完成后的回调函数中把 IO 结果放回并恢复生成器运行,那就解决了业务代码不流畅的问题了:
def handler(request):
    # 业务逻辑代码...
    # 需要执行一次 API 请求,直接把 IO 请求信息yield出去
    result = yield io_info
    # 使用 API 返回的result完成剩余工作
    print(result)

# 这个函数注册到ioloop中,用来当有新请求的时候回调
def on_request(request):
    # 根据路由映射获取到用户写的业务逻辑函数
    handler = get_handler(request)
    g = handler(request)
    # 首次启动获得io_info
    io_info = g.send(None)

    # io完成回调函数
    def call_back(result):
        # 重新启动生成器
        g.send(result)

    asyncio.get_event_loop().io_call(io_info, call_back)
上面的例子,用户写的 handler 代码已经不会被打散到 callback 中,on_request 函数使用 callbackioloop 交互,但它会被实现在 Web 框架中,对用户不可见。
上面代码足以给我们提供用生成器消灭的 callback 的启发,但局限性有两点:
  1. 业务逻辑中仅发起一次网络 IO,但实际中往往更多
  2. 业务逻辑没有调用其他异步函数(协程),但实际中我们往往会调用其他协程

0x03 解决完整调用链

我们来看一个更复杂的例子:
其中 request 执行真正的 IO,func1func2 仅调用。显然我们的代码只能写成这样:
def func1():
    ret = yield request("http://test.com/foo")
    ret = yield func2(ret)
    return ret

def func2(data):
    result = yield request("http://test.com/"+data)
    return result

def request(url):
    # 这里模拟返回一个io操作,包含io操作的所有信息,这里用字符串简化代替
    result = yield "iojob of %s" % url
    return result
对于 request,我们把 IO 操作通过 yield 暴露给框架。
对于 func1func2,调用 request 显然也要加 yield 关键字,否则 request 调用返回一个生成器后不会暂停,继续执行后续逻辑显然会出错。
这基本就是我们在没有 yield fromaysncawait 时代,在 tornado 框架中写异步代码的样子。
要运行整个调用栈,大概流程如下:
  1. 调用 func1() 得到生成器
  2. 调用 send(None) 启动它得到会得到 request("http://test.com/foo") 的结果,还是生成器对象
  3. send(None) 启动由 request() 产生的生成器,会得到 IO 操作,由框架注册到 ioloop 并指定回调
  4. IO 完成后的回调函数内唤醒 request 生成器,生成器会走到 return 语句结束
  5. 捕获异常得到 request 生成器的返回值,将上一层 func1 唤醒,同时又得到 func2() 生成器
  6. 继续执行...
对算法和数据结构熟悉的朋友遇到这种前进后退的遍历逻辑,可以递归也可以用栈,因为递归使用生成器还做不到,我们可以使用栈,其实这就是「调用栈」一词的由来。
借助栈,我们可以把整个调用链上串联的所有生成器对表现为一个生成器,对其不断 send 就能不断得到所有 IO 操作信息并推动调用链前进,实现方法如下:
  1. 第一个生成器入栈
  2. 调用 send,如果得到生成器就入栈并进入下一轮迭代
  3. 遇到到 IO 请求 yield 出来,让框架注册到 ioloop
  4. IO 操作完成后被唤醒,缓存结果并出栈,进入下一轮迭代,目的让上层函数使用 IO 结果恢复运行
  5. 如果一个生成器运行完毕,也需要和4一样让上层函数恢复运行
如果实现出来,代码不长但信息量比较大。
它把整个调用链对外变成一个生成器,对其调用 send,就能整个调用链中的 IO,完成这些 IO,继续推动调用链内的逻辑执行,直到整体逻辑结束:
def wrapper(gen):
    # 第一层调用 入栈
    stack = Stack()
    stack.push(gen)

    # 开始逐层调用
    while True:
        # 获取栈顶元素
        item = stack.peak()

        result = None
        # 生成器
        if isgenerator(item):
            try:
                # 尝试获取下层调用并入栈
                child = item.send(result)
                stack.push(child)
                # result 使用过后就还原为None
                result = None
                # 入栈后直接进入下次循环,继续向下探索
                continue
            except StopIteration as e:
                # 如果自己运行结束了,就暂存result,下一步让自己出栈
                result = e.value
        else:  # IO 操作
            # 遇到了 IO 操作,yield 出去,IO 完成后会被用 IO 结果唤醒并暂存到 result
            result = yield item

        # 走到这里则本层已经执行完毕,出栈,下次迭代将是调用链上一层
        stack.pop()
        # 没有上一层的话,那整个调用链都执行完成了,return        
        if stack.empty():
            print("finished")
            return result
这可能是最复杂的部分,如果看起来吃力的话,其实只要明白,对于上面示例中的调用链,它可以实现的效果如下就好了:
w = wrapper(func1())
# 将会得到 "iojob of http://test.com/foo"
w.send(None)
# 上个iojob foo 完成后的结果"bar"传入,继续运行,得到 "iojob of http://test.com/bar"
w.send("bar")
# 上个iojob bar 完成后的结构"barz"传入,继续运行,结束。
w.send("barz")
有了这部分以后框架再加上配套的代码:
# 维护一个就绪列表,存放所有完成的IO事件,格式为(wrapper,result) 
ready = []

def on_request(request):
    handler = get_handler(request)
    # 使用 wrapper 包装后,可以只通过 send 处理 IO 了
    g = wrapper(func1())
    # 把开始状态直接视为结果为None的就绪状态
    ready.append((g, None))

# 让ioloop每轮循环都执行此函数,用来处理的就绪的IO
def process_ready(self):
    def call_back(g, result):
        ready.append((g, result)) 

    # 遍历所有已经就绪生成器,将其向下推进
    for g, result in self.ready:  
        # 用result唤醒生成器,并得到下一个io操作
        io_job = g.send(result)
        # 注册io操作 完成后把生成器加入就绪列表,等待下一轮处理
        asyncio.get_event_loop().io_call(
            io_job, lambda result: ready.append((g, result)
这里核心思想是维护一个就绪列表,ioloop 每轮迭代都来扫一遍,推动就绪的状态的生成器向下运行,并把新的 IO 操作注册,IO 完成后再次加入就绪,经过几轮 ioloop 的迭代一个 handler 最终会被执行完成。
至此,我们使用生成器写法写业务逻辑已经可以正常运行。

0x04 提高扩展性

如果到这里能读懂, Python 的协程原理基本就明白了。
我们已经实现了一个微型的协程框架,标准库的实现细节跟这里看起来大不一样,但具体的思想是一致的。
我们的协程框架有一个限制,我们只能把 IO 操作异步化,虽然在网络编程和 Web 编程的世界里,阻塞的基本只有 IO 操作,但也有一些例外,比如我想让当前操作 sleep 几秒,用 time.sleep() 又会让整个线程阻塞住,就需要特殊实现。再比如,可以把一些 CPU 密集的操作通过多线程异步化,让另一个线程通知事件已经完成后再执行后续。
所以,协程最好能与网络解耦开,让等待网络IO只是其中一种场景,提高扩展性。
Python 官方的解决方案是让用户自己处理阻塞代码,至于是向 ioloop 来注册 IO 事件还是开一个线程完全由你自己,并提供了一个标准「占位符」Future,表示他的结果等到未来才会有,其部分原型如下:
class Future:
    # 设置结果
    def set_result(result): pass
    # 获取结果
    def result():  pass
    #  表示这个future对象是不是已经被设置过结果了
    def done(): pass
    # 设置在他被设置结果时应该执行的回调函数,可以设置多个
    def add_done_callback(callback):  pass
我们的稍加改动就能支持 Future,让扩展性变得更强。对于用户代码的中的网络请求函数 request
# 现在 request 函数,不是生成器,它返回future
def request(url):
    # future 理解为占位符
    fut = Future()

    def callback(result):
        # 当网络IO完成回调的时候给占位符赋值
        fut.set_result(result)
    asyncio.get_event_loop().io_call(url, callback)

    # 返回占位符
    return future
现在,request 不再是一个生成器,而是直接返回 future
而对于位于框架中处理就绪列表的函数:
def process_ready(self):
    def callback(fut):
        # future被设置结果会被放入就绪列表
        ready.append((g, fut.result()))

    # 遍历所有已经就绪生成器,将其向下推进
    for g, result in self.ready:  
        # 用result唤醒生成器,得到的不再是io操作,而是future
        fut = g.send(result)
        # future被设置结果的时候会调用callback
        fut.add_done_callback(callback)

0x05 发展和变革

许多年前用 tornado 的时候,大概只有一个 yield 关键字可用,协程要想实现,就是这么个思路,甚至 yield 关键字和 return 关键字不能一个函数里面出现,你要想在生成器运行完后返回一个值,需要手动 raise 一个异常,虽然效果跟现在 return 一样,但写起来还是很别扭,不优雅。
后来有了 yield from 表达式。它可以做什么?
通俗地说,它就是做了上面那个生成器 wrapper 所做的事:通过栈实现调用链遍历的 ,它是 wrapper 逻辑的语法糖。
有了它,同一个例子你可以这么写:
def func1():
    # 注意 yield from
    ret = yield from request("http://test.com/foo")
    # 注意 yield from
    ret = yield from func2(ret) 
    return ret

def func2(data):
    # 注意 yield from
    result = yield from request("http://test.com/"+data)
    return result

# 现在 request 函数,不是生成器,它返回future
def request(url):
    # 同上基于future实现的request
然后你就不再需要那个烧脑的 wrapper 函数了:
g = func1()
# 返回第一个请求的 future 
g.send(None)
# 继续运行,自动进入func2 并得到第它里面的那个future
g.send("bar")
# 继续运行,完成调用链剩余逻辑,抛出StopIteration异常
g.send("barz")
yield from 直接打通了整个调用链,已经是很大的进步了,但是用来异步编程看着还是别扭,其他语言都有专门的协程 asyncawait 关键字了,直到再后来的版本把这些内容用专用的 asyncawait 关键字包装,才成为今天比较优雅的样子。

0x06 总结和比较

总的来说, Python 的原生的协程从两方面实现:
  1. 基于 IO 多路复用技术,让整个应用在 IO 上非阻塞,实现高效率
  2. 通过生成器让分散的 callback 代码变成同步代码,减少业务编写困难
有生成器这种对象的语言,其 IO 协程实现大抵如此,JavaScript 协程的演进基本一模一样,关键字相同,Future 类比 Promise 本质相同。
但是对于以协程出名的 Go 的协程实现跟这个就不同了,并不显式地基于生成器。
如果类比的话,可以 Python 的 gevent 算作一类,都是自己实现 runtime,并 patch 掉系统调用接入自己的 runtime,自己来调度协程,gevent 专注于网络相关,基于网络 IO 调度,比较简单,而 Go 实现了完善的多核支持,调度更加复杂和完善,而且创造了基于 channel 新编程范式。
Python猫技术交流群开放啦!群里既有国内一二线大厂在职员工,也有国内外高校在读学生,既有十多年码龄的编程老鸟,也有中小学刚刚入门的新人,学习氛围良好!想入群的同学,请在公号内回复『交流群』,获取猫哥的微信(谢绝广告党,非诚勿扰!)~

近期热门文章推荐:

sum() 函数性能堪忧,列表降维有何良方?
len(x) 击败 x.len(),从内置函数看 Python 的设计思想
Python 浮点数的冷知识
国人开源的异步 Python ORM:GINO

感谢创作者的好文

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存