摘要：在 Python 的世界里，当你谈论并发编程时，大多数人的第一反应就是asyncio。作为 Python 语言内置、久经考验的官方模块，它几乎成了现代高并发 Web 框架（比如 FastAPI）的基石。然而，我发现，将 asyncio 视为唯一答案，实际上是掉
Python 并发的真正高手
在 Python 的世界里，当你谈论并发编程时，大多数人的第一反应就是asyncio。作为 Python 语言内置、久经考验的官方模块，它几乎成了现代高并发 Web 框架（比如 FastAPI）的基石。然而，我发现，将 asyncio 视为唯一答案，实际上是掉进了一个“思维陷阱”。
在实际的大规模应用中，我逐渐意识到，根据不同的问题场景，trio、curio、gevent和greenlets这几种“隐藏”的并发模型，往往能提供更简洁、更快速的解决方案。这篇文章，我将带你走出对 asyncio 的单一依赖，深入探索这些鲜为人知的并发利器，并告诉你，真正的技术大师不是只掌握一种工具，而是能根据具体情况，灵活选择最合适的模型。
Asyncio 的强大毋庸置疑。它在现代 Python 生态系统中占据了核心地位，支持了像 FastAPI 和 aiohttp 这样高性能的 API 和异步 Web 服务。它可靠、生态庞大，并且有核心语言的支持，这都是它成为“标准”的原因。
然而，在我的实践中，asyncio 的缺点也同样明显。首先是它的冗长。为了实现一个简单的异步任务，你可能需要面对复杂的抽象，比如事件循环（event loop）的管理。这对于初学者来说，就像是在迷宫里打转。其次是它的取消模型。当需要取消一个正在运行的任务时，asyncio 的处理方式常常是混乱不清的，这使得它在某些复杂场景下变得不那么友好。
正是因为 asyncio 的这些局限，我开始寻找其他的可能性，并发现了那些藏在它光芒背后的“幕后英雄”。
我的第一个“顿悟时刻”，是遇到了 David Beazley 开发的curio。这个库的设计哲学，就是**“极简主义”**。它剥离了 asyncio 那些沉重的抽象，为你提供了纯粹、结构化的协程编程体验。
在使用 curio 时，你不再需要去手动管理事件循环或者处理复杂的回调函数。代码变得异常简洁直观，就像这样：
import curioasync def hello: await curio.sleep(1) print("Hello from curio!")if __name__ == "__main__": curio.run(hello)这段代码清晰地展示了 curio 的精髓：没有“回调面条”，没有繁琐的循环操作。它让我明白了一个重要的道理：在需要纯粹的并发而不依赖于任何框架时，简单性远胜于功能。尽管 curio 的生态系统相对较小，这限制了它在大规模生产环境中的应用，但它无疑是学习异步编程基础的最优雅、最纯粹的选择之一。
如果说 curio 是极简主义的代表，那么trio则将这种哲学推向了更高的层次——结构化并发。
结构化并发的核心思想是：所有的并发任务都必须在明确的生命周期内运行，而不是无限制地“野蛮生长”。Trio 通过引入一个叫做**“育儿室”（nursery）**的概念来实现这一点。
你可以将育儿室想象成一个“任务管理器”。所有通过育儿室启动的任务，都会被这个育儿室“看护”起来，直到它们全部完成。这就从根本上解决了 asyncio 中常见的“悬空任务”（dangling tasks）问题。一个任务在后台默默运行，但你可能忘了它，也无法保证它在主程序退出时被正确地清理。Trio 的育儿室机制，保证了任务的确定性清理，这对于处理分布式任务来说至关重要。
import trioasync def worker(name): await trio.sleep(1) print(f"{name} done")async def main: async with trio.open_nursery as nursery: for i in range(3): nursery.start_soon(worker, f"task-{i}")trio.run(main)尽管 trio 的采用率仍然相对较小，其生态系统也比 asyncio 小，但对于需要高可靠性的分布式系统或关键任务负载，trio 提供的这种“安全网”是很难被忽视的。
在 asyncio 诞生之前，有一个“老兵”早已在 Python 并发领域独领风骚，那就是gevent。Gevent 的独特之处在于，它使用了greenlets（一种协作式微线程）来工作。
Gevent 最让我感到惊奇的能力，就是它能够“神奇地”将阻塞 I/O操作转化为异步行为。通过**“猴子补丁”（monkey-patching）**技术，gevent 可以自动地修改标准库中的阻塞函数（如requests库），让它们在后台运行时不会阻塞整个程序。
下面这段代码展示了 gevent 的强大之处：
import geventfrom gevent import monkey; monkey.patch_allimport requestsdef fetch(url): return requests.get(url).textjobs = [gevent.spawn(fetch, "https://httpbin.org/delay/1") for _ in range(10)]gevent.joinall(jobs)这段代码可以同时发起 10 个网络请求，而不需要对requests库进行任何修改。在我的实践中，gevent 成为了“救星”。在那些无法进行彻底重构的遗留 Django 或 Flask 应用中，gevent 可以作为即插即用的升级方案，为这些老旧系统无痛地引入并发能力。
当然，这种“魔法”也有其代价。由于 gevent 的底层实现依赖于这种隐藏的“猴子补丁”，当程序出现异常行为时，调试会变得非常困难。
Gevent 的底层秘密武器，正是greenlet。它是一种更底层的协程原语，本质上是在运行时进行栈切换。
Greenlet 不遵循 Python 的async/await语法规则，它只是简单地在不同的栈之间跳转。这听起来有点“危险”，因为它给你了太多的底层控制权。
但正是这种灵活性，让 greenlets 在一些特殊场景下变得不可替代。例如，在构建游戏引擎、解析器或领域特定语言（DSL）解释器时，你需要对协程的执行流有最原始、最直接的控制，而 greenlet 正是为此而生。
下面是一个简单的 greenlet 使用示例：
from greenlet import greenletdef foo: print("Foo 1") gr2.switch print("Foo 2")def bar: print("Bar 1") gr1.switch print("Bar 2")gr1 = greenlet(foo)gr2 = greenlet(bar)gr1.switch这段代码展示了 greenlet 如何手动地在两个函数之间来回切换执行。它不适合日常的 API 开发，但在那些需要精细控制协程行为的特殊情况下，它能发挥出无与伦比的价值。
在实际的生产环境中，我并没有只选择其中一种模型。相反，我发现将它们混合使用，才能真正解决复杂的问题。
我曾经搭建过一个“弗兰肯斯坦式”的混合栈，它完美地解决了我们不同层面的需求：
**使用 FastAPI（基于 asyncio）**来处理 HTTP 请求层，因为它的生态成熟，性能卓越。使用 Trio 作为内部工作器，来安全地编排和管理后台任务，确保任务不会“悬空”。使用 Gevent 猴子补丁，来让那些历史遗留的、依赖于阻塞 I/O 的旧服务，也能在并行环境中平稳运行。这种“混合搭配”之所以可行，是因为每一种并发模型都解决了问题不同层面的挑战。Asyncio 处理了高吞吐量的 Web 服务；Trio 提供了可靠的任务生命周期管理；而 Gevent 则在不改动代码的前提下，让旧系统也能享受并发的便利。
并发编程在 Python 中，绝不仅仅是asyncio和多线程之间的二选一。
所以，真正的技术大师，并不是只会使用 asyncio 这一个工具，而是要了解这些并发模型的核心思想，并清楚地知道在什么场景下，应该选择哪一个。这种认知上的转变，将让你在解决复杂技术问题时，拥有更广阔的视野和更强大的武器库。
希望这篇文章能帮助你突破对 asyncio 的思维定式，重新审视 Python 并发编程的广阔世界。如果你对这些模型有任何疑问，或者有自己的实践经验，欢迎在评论区留言讨论。
来源：高效码农