前两天在做数据分析项目时，需要同时爬取十几个数据源，结果同步请求跑完一轮要将近两分钟……优化完之后只用了不到8秒。今天就来聊聊这个让Python性能起飞的关键技术：异步编程。很多同学一听到"异步"就觉得是高级话题，其实它的核心思想和餐厅点菜一模一样，你不需要站在厨房门口等厨子炒完第一道菜再点第二道，点完坐下玩手机，菜好了服务员自然会端上来。
Python的异步编程，就是把"等菜"的时间省下来干别的。
事件循环（Event Loop）：异步世界的"餐厅老板"
异步编程最核心的概念是事件循环。
你可以把它想象成一个不停地接单、派活、收结果的餐厅老板：
import asyncioasync def main(): print("开始做饭...") await asyncio.sleep(2) # 模拟耗时操作 print("饭好了！")asyncio.run(main()) # 老板开始干活asyncio.run() 创建了一个事件循环，它驱动着整个异步程序的执行。
当你 await 某个任务时，事件循环不会傻等，它会立刻切去处理其他任务，等这个任务完成了再回来处理结果。
这跟多线程有本质区别。多线程是"多雇几个厨子"，而异步是"一个厨子同时盯好几个锅"。
多线程有线程切换开销、GIL锁竞争、共享状态的各种坑；异步是单线程内协作式调度，天然避免了这些并发问题。
async/await 不是装饰，而是协议
很多初学者以为 async def 只是给函数贴个标签，实际上它在底层定义了一套完整的协议。
async def 定义的函数返回的是一个协程对象，不是普通的函数返回值。调用 async def 函数() 并不会执行函数体，而是返回一个coroutine，必须交给事件循环驱动才能运行：
async def fetch(url): return f"来自 {url} 的数据"coro = fetch("https://api.example.com")print(type(coro)) # <class 'coroutine'># coro 此时还没有被执行！更深一层，await 后面跟的必须是可等待对象，也就是实现了 __await__ 协议的对象。
Python内置了三种可等待类型：Coroutine、Task 和 Future。
• Coroutine：最基础，async def 的返回值
• Task：把协程包装成任务交给事件循环调度
• Future：低层级的异步结果占位符，Task 就是 Future 的子类
理解这个层级关系很关键：当你写 await asyncio.sleep(1) 时，实际上 sleep 返回一个 Future，事件循环把这个 Future 挂起来，1秒后把它标记为完成，再唤醒等你拿结果。
asyncio 的并发大招：gather 与 create_task
异步真正的威力在于并发，来看一个真实场景：
import asyncioimport timeasync def download(item): await asyncio.sleep(1) # 模拟IO操作 return f"{item} 下载完成"async def main(): start = time.time() # 并发执行3个下载任务 results = await asyncio.gather( download("file1"), download("file2"), download("file3") ) print(f"耗时: {time.time() - start:.2f}秒") # ~1秒，不是3秒！ print(results)asyncio.gather() 同时启动多个协程，等所有任务完成后统一返回结果。如果用同步方式顺序执行，需要3秒；异步并发只需1秒。
但这里有个常见的坑：gather 里的任务是无差别并发的。
如果其中一个抛出异常，默认情况下 gather 不会中断其他任务，而是在返回后统一抛出。
你要是想"一个挂全挂"，可以调整异常处理策略。
另一个更灵活的选择是 asyncio.create_task()，它把协程包装成 Task 并立即提交给事件循环，返回一个可以单独跟踪的 Task 对象：
async def main(): task1 = asyncio.create_task(download("file1")) task2 = asyncio.create_task(download("file2")) # 中间可以做其他事 print("任务已提交，继续做别的...") result1 = await task1 result2 = await task2create_task 给了你更精细的控制，可以单独取消某个任务、查询某个任务的状态，适合任务之间有依赖关系或需要动态管理并发数的场景。
全栈实战：从FastAPI到数据库连接池
学了这么多概念，真正落地才是最爽的。
以 FastAPI 为例，它本身就是基于 Starlette 的异步框架，天然支持 async def 路由：
from fastapi import FastAPIimport httpxapp = FastAPI()@app.get("/aggregate")async def aggregate_data(): async with httpx.AsyncClient() as client: users, orders, products = await asyncio.gather( client.get("http://user-service/users"), client.get("http://order-service/orders"), client.get("http://product-service/products"), ) return {"users": users.json(), "orders": orders.json(), "products": products.json()}数据库也一样。不要再用同步的 pymysql 了，换成异步驱动asyncpg 配 PostgreSQL、aiomysql 配 MySQL、motor 配 MongoDB，性能直接翻几倍：
import asyncpgasync def fetch_users(): conn = await asyncpg.connect("postgresql://...") rows = await conn.fetch("SELECT * FROM users LIMIT 100") await conn.close() return rows异步数据库连接池更是好用：连接复用、自动管理、故障重连，这些都是事件循环帮你默默搞定的。
避坑指南：那些年我踩过的异步坑
1. 别在 async 函数里用同步阻塞库：requests.get() 会阻塞整个事件循环，换成 httpx.AsyncClient 或 aiohttp
2. 注意 CPU 密集型任务的异味：计算密集的活不适合放 async 里，会卡住整个循环，这时候该用 run_in_executor 丢到线程池
3. 别忘了 await：写成 download("file") 而不加 await，只会拿到一个 coroutine 对象，并不会真正执行
结语
异步编程是 Python 全栈开发的一道分水岭。掌握它，你才能真正写出高性能、高并发的后端服务。从 eventloop 的底层原理到 asyncio 的实战技巧，希望这篇文章能帮你打通任督二脉。
下次再遇到"一堆IO操作卡半天"的场景，记住：异步一下，世界就快了。
今天的内容就到这里，感谢你看到最后
琴萧双手奉上一份Python大礼包（总共155G），涵盖爬虫、web开发、数据分析、机器学习、人工智能等等的学习资料
点击下方卡片，发送20260626 即可领取
10个月宝宝每天需要喝多少奶粉？
