最初发布于 Medium 上的 Level Up Coding。
Python 以其简洁易用而闻名，但对于许多开发者来说，在某个阶段，语言本身的学习曲线会趋于平缓。一旦掌握了常用库和技术，解决问题就变得程式化。然而，学习之旅永无止境，尤其是在深入研究并发和底层编程等高级主题时。
对于希望提升 Python 技能的开发者来说，一个宝贵的资源是 Talk Python To Me 播客，它涵盖了 Python 开发的诸多方面。其中一期课程，“使用异步/等待和线程的 Python 并行编程”，深入探讨了处理并发和优化代码执行的关键概念。
传统的计算机科学教育中，会涉及计算机体系结构、C 编程、互斥锁、信号量和指针等内容。然而，许多开发者从未将这些概念与实际编程场景联系起来。例如，对 CPU 内核的理解往往停留在抽象层面，与日常开发任务脱节。
立即学习“Python免费学习笔记（深入）”；
本课程的一个重点是 Unsync 库的使用。它将异步、线程和多进程整合到统一的 API 中，简化了并发和并行编程。该库能根据任务是 CPU 密集型、I/O 密集型还是异步型来自动优化任务执行。通过消除线程启动、加入和关闭的复杂性，Unsync 库使得 Python 的并发编程更易于上手且更高效。
以下脚本演示了这些概念：
# source: https://github.com/talkpython/async-techniques-python-course/blob/master/src/09-built-on-asyncio/the_unsync/thesync.pyimport datetimeimport mathimport asyncioimport aiohttpimport requestsfrom unsync import unsyncdef main(): t0 = datetime.datetime.now() tasks = [ compute_some(), compute_some(), compute_some(), download_some(), download_some(), download_some_more(), download_some_more(), wait_some(), wait_some(), wait_some(), wait_some(), ] [t.result() for t in tasks] dt = datetime.datetime.now() - t0 print(f"Synchronous version done in {dt.total_seconds():,.2f} seconds.")@unsync(cpu_bound=True)def compute_some(): print("Computing...") for _ in range(1, 10_000_000): math.sqrt(25 ** 25 + .01)@unsync()async def download_some(): print("Downloading...") url = 'https://talkpython.fm/episodes/show/174/coming-into-python-from-another-industry-part-2' async with aiohttp.ClientSession(connector=aiohttp.TCPConnector(ssl=False)) as session: async with session.get(url) as resp: resp.raise_for_status() text = await resp.text() print(f"Downloaded (more) {len(text):,} characters.")@unsync()def download_some_more(): print("Downloading more ...") url = 'https://pythonbytes.fm/episodes/show/92/will-your-python-be-compiled' resp = requests.get(url) resp.raise_for_status() text = resp.text print(f"Downloaded {len(text):,} characters.")@unsync()async def wait_some(): print("Waiting...") for _ in range(1, 1000): await asyncio.sleep(.001)if __name__ == "__main__": main()
脚本解析
该脚本展示了不同类型的任务以及如何并发执行它们以提升性能和效率：
compute_some 函数: 模拟密集型计算，通过计算大量数字来演示多线程处理如何利用多个 CPU 核心进行并行计算，从而缩短处理时间，提升效率。实际应用包括数值模拟、数据分析和计算密集型操作。download_some 函数: 演示异步获取数据（例如，从 API 或网站）。它在 asyncio 事件循环中运行，允许非阻塞 I/O 操作。这使其非常适合处理多个并发 I/O 任务，例如数据抓取或并发 API 请求。download_some_more 函数: 演示同步 HTTP 请求的使用。虽然是同步的，但它在单独的线程中运行，避免阻塞主线程。此方法适用于不需要非阻塞操作但仍需并发的简单或遗留系统。wait_some 函数: 模拟异步任务中的非阻塞暂停，允许其他任务在等待时继续运行。这在程序需要等待外部事件、计时器或用户输入而不阻塞其他操作的场景中非常有用。
关键点
通过并发编程，该脚本展示了如何同时执行多个任务，从而加快处理速度并更有效地利用资源。
在编程中，内存 (RAM) 和处理能力 (CPU) 是影响性能的关键因素。RAM 提供对活动数据的快速访问，支持多个任务的顺利执行；CPU 处理指令和计算的执行。在实际应用中，充足的内存确保能同时处理大型数据集或多个操作，强大的 CPU 则带来更快的计算和更灵敏的应用程序。
理解内存、CPU 和并发之间的关系，对开发者进行优化和任务执行至关重要。通过利用多核 CPU 和高效的内存管理，开发者可以创建响应更快、高性能的应用程序，轻松处理复杂的数据密集型任务。
图片来自 Alexander Kovalev
以上就是这个小 Python 脚本提高了对低级编程的理解的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1355567.html
微信扫一扫 
支付宝扫一扫 
