Python 异步编程async/await与 FastAPI 核心知识笔记
1. async/await 核心概念
1.1 核心作用
-
async def：定义一个协程函数。调用时不会立即执行，而是返回一个协程对象，需要由事件循环驱动。 -
await：挂起当前协程，将控制权交还给事件循环，直到等待的异步操作完成。它是实现“让出CPU”的关键。
1.2 关键认知纠正
| 常见误解 | 正确理解 |
|---|---|
async 代表“耗时操作” |
async 代表函数内有 “可等待的 I/O 操作”，适合网络请求、数据库查询等。耗时计算（CPU密集型）应使用普通 def。 |
async 函数会自动并发 |
只有遇到 await 时才会让出控制权，否则会同步执行。 |
调用 async 函数必须加 await
|
不加 await 不会报错，但函数体不会执行，只返回一个协程对象。 |
1.3 await 的使用场景
-
在
async def内部调用另一个异步操作（必须）。 -
并发执行多个 I/O 任务（如
asyncio.gather）。 -
等待异步库的 I/O 操作（如
aiohttp、asyncpg）。
2. FastAPI 中的并发模型与接口定义
2.1 FastAPI 的底层架构
-
Worker 进程：通过
--workers可启动多个进程，利用多核CPU。 -
事件循环：每个 Worker 进程内部有一个单线程的事件循环，负责调度所有
async接口。
2.2 接口阻塞的原因
“一个接口慢，其他接口排队” 是因为事件循环被阻塞。常见原因：
- 在
async def接口中调用了同步阻塞代码（如time.sleep、requests.get）。 - 在
async def接口中执行了CPU密集型计算。
2.3 如何选择接口定义方式（async def vs def）
| 接口内部逻辑 | 推荐定义方式 | 原因 |
|---|---|---|
I/O 密集型，且使用支持 await 的异步库 |
async def |
遇到 await 时让出事件循环，提升并发。 |
| 只有简单返回，或仅做参数校验 | def |
避免创建协程的开销，性能更优。 |
调用同步阻塞库（如 requests、psycopg2） |
def |
FastAPI 会自动放到线程池，不阻塞主事件循环。 |
| CPU 密集型计算（图像处理、模型推理） |
def + run_in_threadpool
|
将任务交给线程池，避免阻塞。 |
2.4 核心铁律
如果代码里没有
await，就别用async def。
异步不是“银弹”，要为了“有await可写”而用async。
3. 数据库查询与 async 的选择
3.1 决策依据
是否使用 async 取决于数据库驱动是否支持异步，与查询速度无关。
| 驱动类型 | 推荐接口定义 | 示例库 |
|---|---|---|
| 异步驱动 |
async def + await
|
asyncpg, aiomysql, asyncmy, SQLAlchemy 异步支持
|
| 同步驱动 | def |
psycopg2, mysql-connector-python
|
3.2 错误示例
python
@app.get("/bad")
async def bad(): # ❌ 用了 async
conn = psycopg2.connect() # ❌ 同步驱动
cur = conn.cursor()
cur.execute("SELECT...") # ⚠️ 会阻塞事件循环！
return cur.fetchall()
3.3 正确示例
python
# ✅ 异步驱动
@app.get("/users")
async def get_users():
async with async_session() as session:
result = await session.execute(select(User))
return result.scalars().all()
python
# ✅ 同步驱动
@app.get("/users")
def get_users():
conn = psycopg2.connect(...)
cur = conn.cursor()
cur.execute("SELECT * FROM users")
return cur.fetchall()
4. Python 异步 vs Java 多线程
| 维度 | Python (asyncio) | Java (传统多线程) | Java (虚拟线程) |
|---|---|---|---|
| 底层模型 | 单线程 + 事件循环 | N 个 OS 线程（重量级） | M 个虚拟线程挂载于 N 个 OS 线程 |
| CPU 密集型 | 差（只用1核） | 优秀（用满多核） | 优秀（用满多核） |
| I/O 密集型（高并发） | 优秀（切换开销极小） | 差（线程多时切换开销大） | 极优秀（极轻量，自动调度） |
| 编程复杂度 | 高（async/await 传染） |
中等（用线程池管理） | 低（写同步代码即可） |
4.1 核心结论
- “多”不一定好：对于 I/O 密集型任务，Python 的单线程+事件循环模型往往比 Java 旧版重量级线程池更高效。
-
“并行”不等同于“并发”：
async解决的是并发（同时处理多个连接），而非并行（同时执行多个计算）。
5. 关键记忆点
-
async def：告诉 Python，“我这个函数里面可能有await，允许我在等待时被切换出去。” -
await：告诉事件循环，“我现在要去等一个结果（网络/数据库），你先去忙别的，有结果了叫我。” - 异步不是让代码跑得更快，而是让服务在等待 I/O 时能处理更多请求。
-
async是“并发”的语法糖，目的是在 I/O 等待时最大化 CPU 利用率。
