本文探讨python中如何将同步阻塞函数与异步协程任务并行执行。通过分析`asyncio`事件循环的特性，我们揭示了直接调用同步函数会阻塞事件循环的问题。核心解决方案是利用`asyncio.run_in_executor`将同步任务提交到独立的线程池中执行，从而实现与异步任务的并发运行，有效提升应用程序的响应性和吞吐量，尤其适用于处理i/o密集型或cpu密集型同步操作。
理解asyncio中的并发与阻塞
在Python的asyncio框架中，协程（coroutine）是实现并发的主要机制。一个asyncio事件循环在单线程中运行，通过协作式多任务处理（cooperative multitasking）来实现并发。这意味着当一个协程遇到await表达式时，它会暂停执行并将控制权交还给事件循环，允许其他协程运行。然而，如果一个协程内部调用了一个耗时且不包含await的同步阻塞函数，那么整个事件循环将会被阻塞，直到该同步函数执行完毕，其他所有协程都无法运行。
考虑以下原始代码示例：
import asyncio
import threading
def do_sync(number: int) -> int:
# 这里的lock操作是为了演示，实际中如果函数内部不共享状态，则无需加锁
lock = threading.Lock()
lock.acquire()
print(f"do_sync: 开始处理 {number}")
result = number + 10
print(f"do_sync: 完成处理 {number}")
lock.release()
return result
async def do_async(number: int) -> int:
print(f"do_async: 开始处理 {number}")
# 模拟异步I/O操作
await asyncio.sleep(0.1)
result = number + 10
print(f"do_async: 完成处理 {number}")
return result
async def main():
# 这里的max函数会先完全执行do_sync(1)，然后才await do_async(2)
# 它们是顺序执行的，不是并行
result = max(do_sync(1), await do_async(2))
print(f"最终结果: {result}")
if __name__ == "__main__":
asyncio.run(main())在这段代码中，main函数内的max(do_sync(1), await do_async(2))表达式会首先完全执行do_sync(1)。由于do_sync是一个普通的同步函数，它会立即运行并阻塞当前线程，直到其返回结果。只有当do_sync(1)执行完毕后，await do_async(2)才会被调度执行。因此，这两个函数是顺序执行的，并未实现真正的并发。
利用 asyncio.run_in_executor 实现同步任务并行化
为了让同步阻塞函数与异步协程任务并行运行，我们需要将同步函数从asyncio事件循环的主线程中“卸载”到另一个独立的线程或进程中执行。asyncio为此提供了loop.run_in_executor方法。
立即学习“Python免费学习笔记（深入）”；
run_in_executor允许我们将一个普通的同步函数提交到一个执行器（executor）中运行。默认情况下，asyncio使用ThreadPoolExecutor作为执行器，这意味着同步函数将在一个单独的线程中运行。这样，asyncio事件循环可以继续处理其他协程任务，而无需等待同步函数完成。
run_in_executor的基本用法如下：
await loop.run_in_executor(executor, func, *args)
- executor: 可以是一个concurrent.futures.ThreadPoolExecutor或concurrent.futures.ProcessPoolExecutor实例，或者None（默认使用ThreadPoolExecutor）。
- func: 要在执行器中运行的同步函数。
- *args: 传递给func的参数。
run_in_executor会返回一个Future对象，我们可以await这个Future来等待同步函数的执行结果。
示例代码与解析
现在，我们使用run_in_executor来改造main函数，使do_sync与do_async能够并行运行：
import asyncio
import threading
import time # 引入time模块用于模拟耗时操作
def do_sync(number: int) -> int:
# 这里的lock操作是为了演示，实际中如果函数内部不共享状态，则无需加锁
# 在run_in_executor场景下，如果do_sync内部需要线程安全，则仍需加锁
# lock = threading.Lock() # 每次调用都会创建新锁，这里不合适，应在外部管理或无需
print(f"do_sync: 开始处理 {number} 在线程 {threading.current_thread().name}")
time.sleep(1) # 模拟一个耗时1秒的同步操作
result = number + 10
print(f"do_sync: 完成处理 {number} 在线程 {threading.current_thread().name}")
return result
async def do_async(number: int) -> int:
print(f"do_async: 开始处理 {number} 在线程 {threading.current_thread().name}")
await asyncio.sleep(0.5) # 模拟一个耗时0.5秒的异步I/O操作
result = number + 10
print(f"do_async: 完成处理 {number} 在线程 {threading.current_thread().name}")
return result
async def main():
loop = asyncio.get_running_loop()
# 使用run_in_executor将do_sync提交到线程池执行
# 注意：do_sync_future是一个Future对象，它代表do_sync的未来结果
do_sync_future = loop.run_in_executor(None, do_sync, 1)
# do_async是一个awaitable对象
do_async_task = do_async(2)
# 使用asyncio.gather等待这两个任务并行完成
# asyncio.gather会等待所有给定的awaitable对象完成
sync_result, async_result = await asyncio.gather(do_sync_future, do_async_task)
final_max_result = max(sync_result, async_result)
print(f"同步任务结果: {sync_result}")
print(f"异步任务结果: {async_result}")
print(f"最终最大结果: {final_max_result}")
if __name__ == "__main__":
start_time = time.monotonic()
asyncio.run(main())
end_time = time.monotonic()
print(f"总耗时: {end_time - start_time:.2f} 秒")代码解析：
- 获取事件循环： loop = asyncio.get_running_loop() 获取当前正在运行的事件循环实例。
- 提交同步任务： do_sync_future = loop.run_in_executor(None, do_sync, 1) 将do_sync(1)函数提交到默认的线程池中执行。None表示使用默认的ThreadPoolExecutor。run_in_executor立即返回一个Future对象，而不是阻塞。
- 创建异步任务： do_async_task = do_async(2) 创建一个协程对象，它是一个可等待（awaitable）对象。
- 并行等待： await asyncio.gather(do_sync_future, do_async_task) 是关键。asyncio.gather允许我们同时等待多个可等待对象。在这种情况下，do_sync_future会在一个单独的线程中执行，而do_async_task则在事件循环的主线程中作为协程执行。它们会并行地运行，等待时间由最长的那个任务决定。
- 结果处理： 当asyncio.gather返回时，它会按顺序返回各个任务的结果。
运行上述代码，你会观察到do_sync和do_async的打印输出几乎同时开始，并且总耗时约为1秒（取决于do_sync的time.sleep时间），而不是1.5秒（1秒 + 0.5秒），这证明了它们是并行执行的。
注意事项
-
选择合适的执行器：
- ThreadPoolExecutor (默认): 适用于I/O密集型同步任务（如网络请求、文件读写）。它将阻塞操作放到单独的线程中，释放GIL，允许Python解释器在其他线程中运行。
- ProcessPoolExecutor: 适用于CPU密集型同步任务。它将任务放到单独的进程中，可以绕过GIL的限制，真正实现CPU层面的并行计算。使用时需要注意进程间通信的开销以及数据序列化问题。
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor # 自定义线程池 with ThreadPoolExecutor(max_workers=5) as thread_pool: do_sync_future = loop.run_in_executor(thread_pool, do_sync, 1) # 自定义进程池 with ProcessPoolExecutor(max_workers=2) as process_pool: do_sync_future = loop.run_in_executor(process_pool, do_sync_cpu_bound, 1) 共享状态与线程安全： 如果提交给run_in_executor的同步函数需要访问或修改共享数据（如全局变量、类属性），则必须使用线程锁（threading.Lock）或其他同步原语来确保线程安全，以避免数据竞争问题。在示例中的do_sync函数，由于其内部操作是独立的，不涉及共享状态，因此无需外部加锁。
错误处理： run_in_executor返回的Future对象在被await时，如果其内部的同步函数抛出异常，该异常会被重新抛出。因此，可以使用try...except块来捕获和处理这些异常。
避免过度使用： run_in_executor引入了线程/进程管理的开销。对于非常轻量级的同步操作，直接在事件循环中执行可能比使用执行器更高效。它主要用于处理那些确实会阻塞事件循环的耗时同步任务。
总结
通过asyncio.run_in_executor，Python的asyncio框架能够优雅地与传统的同步阻塞代码以及多线程/多进程模型结合。它提供了一种强大的机制，允许开发者在保持事件循环响应性的同时，处理耗时的同步I/O或CPU密集型任务。掌握这一技术对于构建高性能、高并发的Python应用程序至关重要，它弥合了协程的非阻塞特性与传统同步操作之间的鸿沟，使得Python开发者能够充分利用现代多核处理器和异步编程范式。
