在Python的广阔天地里，并发编程如同一把双刃剑，既带来了性能飞跃的机遇，也伴随着选择难题的困扰。尤其是面对IO密集型与CPU密集型任务时，如何正确选择并发模型，成为了许多开发者心中的疑问。今天，我们就来揭秘这场异步革命，让你彻底告别“傻傻分不清”的尴尬。
IO密集型任务：异步IO的华丽登场
想象一下，你的程序需要频繁地从网络、文件或数据库读取数据。这些操作往往需要等待外部资源响应，而Python的传统同步方式会让整个程序在等待中停滞不前。这时，异步IO便成了救星。
案例分析：异步HTTP请求
假设我们需要同时从多个网站抓取数据，使用asyncio和aiohttp可以轻松实现：
python
import asyncio
import aiohttp
async def fetch(session, url):
async with session.get(url) as response:
return await response.text()
async def main():
async with aiohttp.ClientSession() as session:
tasks = [fetch(session, f'http://example.com/{i}') for i in range(5)]
results = await asyncio.gather(*tasks)
for result in results:
print(f"Received: {result[:50]}...")
Python 3.7+
asyncio.run(main())
在这个例子中，asyncio.gather帮助我们并发地执行了多个HTTP请求，而无需等待任何一个请求完成后再继续。这就是异步IO在IO密集型任务中的巨大优势。
CPU密集型任务：多进程的并行盛宴
另一方面，当你面对需要大量计算的任务时，比如图像处理、科学计算等，CPU密集型任务便成为了主角。此时，Python的GIL（全局解释器锁）成了性能提升的绊脚石。为了绕过这一限制，多进程成了不二之选。
案例分析：并行计算斐波那契数列
斐波那契数列是一个典型的递归问题，也是CPU密集型任务的代表。我们可以使用multiprocessing库来并行计算数列中的几个值：
python
from multiprocessing import Pool
def fibonacci(n):
if n <= 1:
return n
return fibonacci(n-1) + fibonacci(n-2)
def parallel_fibonacci(n_list):
return [fibonacci(n) for n in n_list]
if name == 'main':
with Pool(4) as p: # 创建一个包含4个进程的进程池
results = p.map(fibonacci, [10, 15, 20]) # 注意：这里为了简单起见，我们直接映射到fibonacci，实际中可能使用wrapper来传递多个参数
print(results)
注意：上面的代码示例实际上并不适合并行计算斐波那契数列，因为fibonacci函数是递归的，且每个递归调用都会创建新的Python帧，导致进程间通信开销大。这里仅作为展示多进程用法的示例。
在实践中，对于斐波那契数列等可分解任务，应考虑使用更适合并行计算的算法或工具。
虽然上面的斐波那契数列例子并非最佳实践（递归导致的深度调用栈不适合多进程），但它展示了多进程在CPU密集型任务中的基本用法。对于真正的CPU密集型任务，我们应选择那些可以独立并行计算且通信开销小的任务。
结语
经过这场异步革命的洗礼，相信你已经对Python中的并发编程有了更清晰的认识。无论是IO密集型任务还是CPU密集型任务，选择合适的并发模型都是提升程序性能的关键。希望这篇文章能为你揭开并发编程的神秘面纱，让你在Python的编程之旅中更加游刃有余。
