python协程并发_python watchdog asyncio_python协程--asyncio模块（基础并发测试）

在高并发场景下，提供了多线程模块，但是这个模块似乎并不能令人满意，因为它本身有全局解析锁（GIL）的问题。实际执行一段时间是单线程的。 。同时，还存在资源竞争的问题。 .4之后，引入了基于生成器对象的协程概念。即模块。除了模块之外，针对高并发问题还提出了其他解决方案，例如 和 都实现了类似的功能。这为节目选择提供了更多的可能性。下面是模块与模块的对比测试实验。我希望在另一篇文章中写模块的具体使用。

1. 模块

模块中的线程密集型操作竞争变量测试

代码：

#多线程共享数据争用检测

从 ,(x):

time.sleep(x)for b in range(1,51): #从 1+...+50 计算

a+=((),":",a)

a=0

=[]for i in range(1,20000): #为了突出效果，线程数开到接近20000

= (=,参数=(1,))

。（）为了 ：

。开始（）

提取部分结果：：

:

:

:

:

:

:

：运行时间：6。

6.

7.平均运行时间：7.0秒

从结果可以看出，当多线程进行密集型操作（占用大量CPU计算单元）时，同一个变量的数据会不一致。这就是所谓的“种族问题”。

2. 模块

该模块经过了密集型操作的测试（线程安全！不存在资源竞争），因此协程对密集型操作和IO并发有很强的支持。

代码：

#密集计算测试

a=0

任务=[]

数量=0

(x):#num += 1 # 思路3：num自增的不同位置（阻塞前/阻塞后）会产生不同的结果。

wait .sleep(x)for b in range(1,51): #从 1+...+50 计算

a+=b

num+= 1 #想法 1

print("这是 ",":",num,a) #想法 1，想法 3

print("这是 ",":",x,a) #想法 2

for i in range(1,20000): #即使休眠时间很短，大部分计算也不会造成资源争用。

= (1) #IDEA1# = (i*0.01) #IDEA2# = (3//i) #IDEA3

任务.(.())

loop= .() #创建事件循环

loop.(.wait(tasks)) #将协程放入事件循环中

代码实现思路：

（1）思路一：各个协程的休眠时间相同，也就是说几乎同时运行密集计算，并使用num自增计算作为协程的代号。

（2）想法二：为了区分不同协程占用CPU的运行时间片，我对睡眠时间进行了乘法运算。协程码号越大的协程休眠时间越长，将该时间作为协程码号。记录。

（3）想法3：这次我会对睡眠时间进行调整，使用除法运算。也就是说，协程代码越大，休眠时间越短。不过，这次协程代码是用num记录的，放在睡觉前（阻塞）。

提取前几个数据

思路一：当设置的睡眠时间（阻塞时间）相同时，结果的打印几乎同时出现。

: 1 : 2 : 3 : 4 : 5 : 6 : 7 : 8 10200

想法1运行时间：3.48584

3.8408

3.1382平均运行时间3.08秒

思路2：当设置的睡眠时间（阻塞时间）不同时，协程代码就是睡眠时间

: 0.01 : 0.02 : 0.03 : 0.04 : 0.05 : 0.06 : 0.07 : 0.08 10200

从上面两组数据可以看出，无论协程是同时执行还是分时段执行，都是严格按顺序执行的。想法2的结果非常符合我们的认知常识，那么想法1的结果是怎么来的呢？原因是在多并发的情况下（这里使用密集操作来模拟一系列并发的内部操作），被阻塞的协程会被暂时搁置，切换到另一个协程。协程的运行可以理解为队列。当大量协程到来时，它们无法立即执行，因此将它们放入一个类似队列的容器（）中，并不断检测队列中哪个协程处于非阻塞状态。 ，调用该协程的资源并运行它。队列中的每个元素互不干扰。于是，就出现了上面的结果——有序的协程运行。

想法3：看下面这组数据

: 1999 : 1999 : 1999 : 1999 : 1999 : 1999 : 1999 : 1999 10200

为什么所有协程编号都相同？

因为最大协程号睡眠时间最短，先执行输出，而且协程号是累加的，所以后面执行的线程会被标记为最大协程号。由此进一步可以看出

3、性能对比

完成时间对比：

：平均运行时间：7.0秒

：平均运行时间3.08秒

从上面多线程模块和协程模块的对比可以看出，完成时间大约是一半。因此在高并发情况下具有更大的优势，并且在资源保护方面也做得更好。