来源：网络

做后端开发最怕遇到什么？我问过身边不少程序员，答案出奇一致——异步代码。

同步代码写久了，一上来就看到 async def、await，脑子里全是问号。今天这篇文章，我用最直白的语言，把 Python 异步编程的核心逻辑讲清楚。

为什么需要异步？

先说一个真实场景。

你写了一个爬虫，要从10个网站抓数据。同步写法是这样的：

import requestsdeffetch_all():    results = []for url in urls:        resp = requests.get(url)  # 每个请求阻塞等待        results.append(resp.json())return results

假设每个请求平均耗时1秒，10个网站就要10秒。但如果这10个请求可以同时发出，理论上1秒就能搞定。

异步编程解决的就是这个问题——在等待 I/O（网络请求、文件读写、数据库查询）的时候，让 CPU 去干别的事。

三个核心概念

1. async / await：协程的语法糖

Python 3.5 引入了这两个关键字，这是现代异步代码的标准写法：

import asyncioasyncdefhello():print("Hello")await asyncio.sleep(1)  # 暂停1秒，但不阻塞其他任务print("World")# 运行协程asyncio.run(hello())

async def 定义一个协程函数，调用它不会立即执行，而是返回一个协程对象。await 用来等待另一个协程完成，期间把控制权交出去，让其他任务有机会运行。

2. asyncio：事件循环

asyncio 是 Python 内置的异步库，核心是一个事件循环（Event Loop）。

你可以把它理解成一个"调度员"，它同时管理多个协程的运行状态。当某个协程在 await 时让出 CPU，调度员立刻切换到另一个就绪的协程继续执行。

import asyncioasyncdeftask(name, seconds):print(f"{name} 开始，等待 {seconds} 秒")await asyncio.sleep(seconds)print(f"{name} 完成")asyncdefmain():# 创建两个任务，同时执行await asyncio.gather(        task("任务A", 2),        task("任务B", 1),    )asyncio.run(main())# 输出：# 任务A 开始，等待 2 秒# 任务B 开始，等待 1 秒# 任务B 完成# 任务A 完成

注意看执行顺序：任务A和任务B同时启动，B只等1秒所以先完成。整个过程只用了2秒，而不是3秒。

3. 协程 vs 线程：谁更快？

有人会说，"多线程不也能并发吗？"

能。但区别很大：

线程虽好，但创建成本高、切换开销大。当你的程序大量时间花在等待网络响应时，协程是更优雅的选择。

实战：用 aiohttp 写异步爬虫

光说不练假把式，来一个真实可用的例子。

同步爬虫（10个网站串行请求）：

import requestsimport timedefsync_crawl(urls):    start = time.time()    results = []for url in urls:        r = requests.get(url, timeout=5)        results.append(r.json())print(f"同步耗时：{time.time() - start:.2f}s")return results

异步爬虫：

import aiohttpimport asyncioimport timeasyncdefasync_crawl(urls):    start = time.time()asyncwith aiohttp.ClientSession() as session:asyncdeffetch(url):asyncwith session.get(url) as resp:returnawait resp.json()        results = await asyncio.gather(*[fetch(url) for url in urls])print(f"异步耗时：{time.time() - start:.2f}s")return results

实际测试中，10个网站：

• 同步：约 10 秒
• 异步：约 1 秒

性能差距立竿见影。

常见坑：不要在异步里调同步代码

这是新手最容易踩的坑。

asyncdefbad_example():# ❌ 千万别这样写！import pandas as pd    df = pd.read_csv("data.csv")  # pandas 是同步库，会阻塞整个事件循环return dfasyncdefgood_example():# ✅ 用 asyncio.to_thread 把同步操作放到线程池import pandas as pddefread_csv():return pd.read_csv("data.csv")    df = await asyncio.to_thread(read_csv)return df

原则只有一条：异步代码里，只用异步库。遇到必须用同步库的场景，用 asyncio.to_thread() 包装一下，让它在后台线程里执行。

异步生态：这些库你迟早会用到

如果你正在用 FastAPI 开发 API，服务默认就是异步的，搭配这些异步库使用，性能直接拉满。

写在最后

异步编程的本质，是让等待的时间被充分利用。一旦理解了这个逻辑，再看 async/await 就不会觉得神秘了。

我个人的经验是：先把 asyncio.gather 用熟，能并发执行多个协程就已经解决了80%的场景。等真正遇到复杂任务调度时，再去深入研究信号量、队列、任务组这些进阶用法。

学编程没有捷径，但有正确的方法。动手写一个异步爬虫，跑出结果的那一刻，你会和我一样觉得——原来异步也就这么回事。

长按或扫描下方二维码，免费获取 Python公开课和大佬打包整理的几百G的学习资料，内容包含但不限于Python电子书、教程、项目接单、源码等等
▲扫描二维码-免费领取