IO 密集型应用IO 密集型应用CPU等待IO时间远大于CPU 自身运行时间，太浪费；常见的 IO 密集型业务包括：浏览器交互、磁盘请求、网络爬虫、数据库请求等

Python 世界对于 IO 密集型场景的并发提升有 3 种方法：多进程、 多线程 、异步 IO(asyncio);理论上讲asyncio是性能最高的，原因如下：

1.进程、 线程 会有CPU上下文切换

2.进程、线程需要内核态和用户态的交互，性能开销大；而协程对内核透明的,只在用户态运行

3.进程、线程并不可以无限创建，最佳实践一般是 CPU*2；而协程并发能力强，并发上限理论上取决于操作系统IO多路复用(Linux下是 epoll)可注册的文件描述符的极限

那asyncio的实际表现是否如理论上那么强，到底强多少呢？我构建了如下测试场景：

访问500台 DB，并sleep 100ms模拟业务查询 
方法 1；顺序串行一台台执行
方法 2：多进程
方法 3：多线程
方法 4：asyncio
方法 5：asyncio+uvloop 

最后的 asyncio+uvloop 和官方asyncio 最大不同是用 Cython+libuv 重新实现了asyncio 的事件循环(event loop)部分,官方测试性能是 node.js的 2 倍，持平 golang。

以下测试代码需要 Pyhton3.7+： 顺序串行一台台执行

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import records

user=xx
pass=xx
port=xx
hosts= [....] # 500台 db列表

def query(host):
 conn = records.Database(
 f' mysql +pymysql://{user}:{pass}@{host}:{port}/mysql?charset=utf8mb4')
 rows = conn.query('select sleep(0.1);')
 print(rows[0])

def main():
 for h in hosts:
 query(h)

# main entrance
if __name__ == '__main__':
 main() 

多进程

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
from concurrent import futures
import records

user=xx
pass=xx
port=xx
hosts= [....] # 500台 db列表

def query(host):
 conn = records.Database(
 f'mysql+pymysql://{user}:{pass}@{host}:{port}/mysql?charset=utf8mb4')
 rows = conn.query('select sleep(0.1);')
 print(rows[0])

def main():
 with futures.ProcessPoolExecutor() as executor:
 for future in executor.map(query,hosts):
 pass

# main entrance
if __name__ == '__main__':
 main() 

多线程

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
from concurrent import futures
import records

user=xx
pass=xx
port=xx
hosts= [....] # 500台 db列表

def query(host):
 conn = records.Database(
 f'mysql+pymysql://{user}:{pass}@{host}:{port}/mysql?charset=utf8mb4')
 rows = conn.query('select sleep(0.1);')
 print(rows[0])

def main():
 with futures.ThreadPoolExecutor() as executor:
 for future in executor.map(query,hosts):
 pass

# main entrance
if __name__ == '__main__':
 main() 

asyncio

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import asyncio
from databases import Database 

user=xx
pass=xx
port=xx
hosts= [....] # 500台 db列表

async def query(host):
 DATABASE_URL = f'mysql+pymysql://{user}:{pass}@{host}:{port}/mysql?charset=utf8mb4'
 async with Database(DATABASE_URL) as database:
 query = 'select sleep(0.1);'
 rows = await database.fetch_all(query=query)
 print(rows[0])

async def main():
 tasks = [asyncio.create_task(query(host)) for host in hosts]
 await asyncio.gather(*tasks)

# main entrance
if __name__ == '__main__':
 asyncio.run(main()) 

asyncio+uvloop

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import asyncio
import uvloop
from databases import Database 

user=xx
pass=xx
port=xx
hosts= [....] # 500台 db列表

async def query(host):
 DATABASE_URL = f'mysql+pymysql://{user}:{pass}@{host}:{port}/mysql?charset=utf8mb4'
 async with Database(DATABASE_URL) as database:
 query = 'select sleep(0.1);'
 rows = await database.fetch_all(query=query)
 print(rows[0])

async def main():
 tasks = [asyncio.create_task(query(host)) for host in hosts]
 await asyncio.gather(*tasks)

# main entrance
if __name__ == '__main__':
 uvloop.install()
 asyncio.run(main()) 

运行时间对比

方式运行时间 串行1m7.745s多进程2.932s多线程4.813sasyncio1.068sasyncio+uvloop0.750s

可以看出: 无论多进程、多进程还是asyncio都能大幅提升IO 密集型场景下的并发，但asyncio+uvloop性能最高，运行时间只有原始串行运行时间的 1/90，相差快 2 个数量级了！

内存占用对比 串行

多进程

多线程

asyncio

asyncio+uvloop

可以看出 asyncio+uvloop 内存占用表现仍然最优,只有 60M;而多进程占用多达 1.4G,果然创建进程是个十分重的操作~

总结asyncio 无论运行时间还是内存占用都远优于多进程、多线程，配合 uvloop 性能还能进一步提升，在 IO 密集型业务中可以优先使用 asyncio。