由于GIL的存在，导致Python多线程性能甚至比单线程更糟。
GIL: 全局解释器锁（英语：Global Interpreter Lock，缩写GIL），是计算机程序设计语言解释器用于同步线程的一种机制，它使得任何时刻仅有一个线程在执行。[1]即便在多核心处理器上，使用 GIL 的解释器也只允许同一时间执行一个线程。
于是出现了协程（Coroutine）这么个东西。
协程: 协程，又称微线程，纤程，英文名Coroutine。协程的作用，是在执行函数A时，可以随时中断，去执行函数B，然后中断继续执行函数A（可以自由切换）。但这一过程并不是函数调用（没有调用语句），这一整个过程看似像多线程，然而协程只有一个线程执行.
协程由于由程序主动控制切换，没有线程切换的开销，所以执行效率极高。对于IO密集型任务非常适用，如果是cpu密集型，推荐多进程+协程的方式。
在Python3.4之前，官方没有对协程的支持，存在一些三方库的实现，比如gevent和Tornado。3.4之后就内置了asyncio标准库，官方真正实现了协程这一特性。
而Python对协程的支持，是通过Generator实现的，协程是遵循某些规则的生成器。因此，我们在了解协程之前，我们先要学习生成器。
生成器(Generator)
我们这里主要讨论yield和yield from这两个表达式，这两个表达式和协程的实现息息相关。
方法中包含yield表达式后，Python会将其视作generator对象，不再是普通的方法。
yield表达式的使用
我们先来看该表达式的具体使用：
def test():
print("generator start")
n = 1
while True:
yield_expression_value = yield n
print("yield_expression_value = %d" % yield_expression_value)
n += 1
# ①创建generator对象
generator = test()
print(type(generator))
print("\n---------------\n")
# ②启动generator
next_result = generator.__next__()
print("next_result = %d" % next_result)
print("\n---------------\n")
# ③发送值给yield表达式
send_result = generator.send(666)
print("send_result = %d" % send_result)
执行结果：
<class 'generator'>
---------------
generator start
next_result = 1
---------------
yield_expression_value = 666
send_result = 2
方法说明：
-
__next__()方法: 作用是启动或者恢复generator的执行，相当于send(None) -
send(value)方法：作用是发送值给yield表达式。启动generator则是调用send(None)
执行结果的说明：
-
①创建generator对象：包含yield表达式的函数将不再是一个函数，调用之后将会返回generator对象
-
②启动generator：使用生成器之前需要先调用
__next__或者send(None)，否则将报错。启动generator后，代码将执行到yield出现的位置，也就是执行到yield n，然后将n传递到generator.__next__()这行的返回值。（注意，生成器执行到yield n后将暂停在这里，直到下一次生成器被启动） -
③发送值给yield表达式：调用send方法可以发送值给yield表达式，同时恢复生成器的执行。生成器从上次中断的位置继续向下执行，然后遇到下一个
yield，生成器再次暂停，切换到主函数打印出send_result。
理解这个demo的关键是：生成器启动或恢复执行一次，将会在yield处暂停。上面的第②步仅仅执行到了yield n，并没有执行到赋值语句，到了第③步，生成器恢复执行才给yield_expression_value赋值。
生产者和消费者模型
上面的例子中，代码中断-->切换执行，体现出了协程的部分特点。
我们再举一个生产者、消费者的例子，这个例子来自廖雪峰的Python教程：
传统的生产者-消费者模型是一个线程写消息，一个线程取消息，通过锁机制控制队列和等待，但一不小心就可能死锁。
现在改用协程，生产者生产消息后，直接通过
yield跳转到消费者开始执行，待消费者执行完毕后，切换回生产者继续生产，效率极高。
def consumer():
print("[CONSUMER] start")
r = 'start'
while True:
n = yield r
if not n:
print("n is empty")
continue
print("[CONSUMER] Consumer is consuming %s" % n)
r = "200 ok"
def producer(c):
# 启动generator
start_value = c.send(None)
print(start_value)
n = 0
while n < 3:
n += 1
print("[PRODUCER] Producer is producing %d" % n)
r = c.send(n)
print('[PRODUCER] Consumer return: %s' % r)
# 关闭generator
c.close()
# 创建生成器
c = consumer()
# 传入generator
producer(c)
执行结果：
[CONSUMER] start
start
[PRODUCER] producer is producing 1
[CONSUMER] consumer is consuming 1
[PRODUCER] Consumer return: 200 ok
[PRODUCER] producer is producing 2
[CONSUMER] consumer is consuming 2
[PRODUCER] Consumer return: 200 ok
[PRODUCER] producer is producing 3
[CONSUMER] consumer is consuming 3
[PRODUCER] Consumer return: 200 ok
注意到
consumer函数是一个generator，把一个consumer传入produce后：
- 首先调用
c.send(None)启动生成器；
- 然后，一旦生产了东西，通过
c.send(n)切换到consumer执行；
consumer通过yield拿到消息，处理，又通过yield把结果传回；
produce拿到consumer处理的结果，继续生产下一条消息；
produce决定不生产了，通过c.close()关闭consumer，整个过程结束。
整个流程无锁，由一个线程执行，
produce和consumer协作完成任务，所以称为“协程”，而非线程的抢占式多任务。
yield from表达式
Python3.3版本新增yield from语法，新语法用于将一个生成器部分操作委托给另一个生成器。此外，允许子生成器（即yield from后的“参数”）返回一个值，该值可供委派生成器（即包含yield from的生成器）使用。并且在委派生成器中，可对子生成器进行优化。
我们先来看最简单的应用，例如：
# 子生成器
def test(n):
i = 0
while i < n:
yield i
i += 1
# 委派生成器
def test_yield_from(n):
print("test_yield_from start")
yield from test(n)
print("test_yield_from end")
for i in test_yield_from(3):
print(i)
输出：
test_yield_from start
0
1
2
test_yield_from end
这里我们仅仅给这个生成器添加了一些打印，如果是正式的代码中，你可以添加正常的执行逻辑。
如果上面的test_yield_from函数中有两个yield from语句，将串行执行。比如将上面的test_yield_from函数改写成这样：
def test_yield_from(n):
print("test_yield_from start")
yield from test(n)
print("test_yield_from doing")
yield from test(n)
print("test_yield_from end")
将输出：
test_yield_from start
0
1
2
test_yield_from doing
0
1
2
test_yield_from end
在这里，yield from起到的作用相当于下面写法的简写形式
for item in test(n):
yield item
看起来这个yield from也没做什么大不了的事，其实它还帮我们处理了异常之类的。具体可以看stackoverflow上的这个问题：In practice, what are the main uses for the new “yield from” syntax in Python 3.3?
协程(Coroutine)
- Python3.4开始，新增了asyncio相关的API，语法使用
@asyncio.coroutine和yield from实现协程 - Python3.5中引入
async/await语法，参见PEP492
我们先来看Python3.4的实现。
@asyncio.coroutine
Python3.4中，使用@asyncio.coroutine装饰的函数称为协程。不过没有从语法层面进行严格约束。
对装饰器不了解的小伙伴可以看我的上一篇博客--《理解Python装饰器》
对于Python原生支持的协程来说，Python对协程和生成器做了一些区分，便于消除这两个不同但相关的概念的歧义：
- 标记了
@asyncio.coroutine装饰器的函数称为协程函数，iscoroutinefunction()方法返回True - 调用协程函数返回的对象称为协程对象，
iscoroutine()函数返回True
举个栗子，我们给上面yield from的demo中添加@asyncio.coroutine：
import asyncio
...
@asyncio.coroutine
def test_yield_from(n):
...
# 是否是协程函数
print(asyncio.iscoroutinefunction(test_yield_from))
# 是否是协程对象
print(asyncio.iscoroutine(test_yield_from(3)))
毫无疑问输出结果是True。
可以看下@asyncio.coroutine的源码中查看其做了什么，我将其源码简化下，大致如下：
import functools
import types
import inspect
def coroutine(func):
# 判断是否是生成器
if inspect.isgeneratorfunction(func):
coro = func
else:
# 将普通函数变成generator
@functools.wraps(func)
def coro(*args, **kw):
res = func(*args, **kw)
res = yield from res
return res
# 将generator转换成coroutine
wrapper = types.coroutine(coro)
# For iscoroutinefunction().
wrapper._is_coroutine = True
return wrapper
将这个装饰器标记在一个生成器上，就会将其转换成coroutine。
然后，我们来实际使用下@asyncio.coroutine和yield from：
import asyncio
@asyncio.coroutine
def compute(x, y):
print("Compute %s + %s ..." % (x, y))
yield from asyncio.sleep(1.0)
return x + y
@asyncio.coroutine
def print_sum(x, y):
result = yield from compute(x, y)
print("%s + %s = %s" % (x, y, result))
loop = asyncio.get_event_loop()
print("start")
# 中断调用，直到协程执行结束
loop.run_until_complete(print_sum(1, 2))
print("end")
loop.close()
执行结果：
start
Compute 1 + 2 ...
1 + 2 = 3
end
print_sum这个协程中调用了子协程compute，它将等待compute执行结束才返回结果。
这个demo点调用流程如下图：
EventLoop将会把print_sum封装成Task对象
流程图展示了这个demo的控制流程，不过没有展示其全部细节。比如其中“暂停”的1s，实际上创建了一个future对象, 然后通过BaseEventLoop.call_later()在1s后唤醒这个任务。
值得注意的是，@asyncio.coroutine将在Python3.10版本中移除。
async/await
Python3.5开始引入async/await语法（PEP 492），用来简化协程的使用并且便于理解。
async/await实际上只是@asyncio.coroutine和yield from的语法糖：
- 把
@asyncio.coroutine替换为async - 把
yield from替换为await
即可。
比如上面的例子：
import asyncio
async def compute(x, y):
print("Compute %s + %s ..." % (x, y))
await asyncio.sleep(1.0)
return x + y
async def print_sum(x, y):
result = await compute(x, y)
print("%s + %s = %s" % (x, y, result))
loop = asyncio.get_event_loop()
print("start")
loop.run_until_complete(print_sum(1, 2))
print("end")
loop.close()
我们再来看一个asyncio中Future的例子：
import asyncio
future = asyncio.Future()
async def coro1():
print("wait 1 second")
await asyncio.sleep(1)
print("set_result")
future.set_result('data')
async def coro2():
result = await future
print(result)
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait([
coro1()
coro2()
]))
loop.close()
输出结果：
wait 1 second
(大约等待1秒)
set_result
data
这里await后面跟随的future对象，协程中yield from或者await后面可以调用future对象，其作用是：暂停协程，直到future执行结束或者返回result或抛出异常。
而在我们的例子中，await future必须要等待future.set_result('data')后才能够结束。将coro2()作为第二个协程可能体现得不够明显，可以将协程的调用改成这样：
loop = asyncio.get_event_loop()
loop.run_until_complete(asyncio.wait([
# coro1(),
coro2(),
coro1()
]))
loop.close()
输出的结果仍旧与上面相同。
其实，async这个关键字的用法不止能用在函数上，还有async with异步上下文管理器，async for异步迭代器. 对这些感兴趣且觉得有用的可以网上找找资料，这里限于篇幅就不过多展开了。
总结
本文就生成器和协程做了一些学习、探究和总结，不过并没有做过多深入深入的研究。权且作为入门到一个笔记，之后将会尝试自己实现一下异步API，希望有助于理解学习。
参考链接
Python协程 https://thief.one/2017/02/20/Python%E5%8D%8F%E7%A8%8B/
