面试题：Python多线程与异步I/O结合使用

设计思路

多线程用于CPU密集型任务：多线程适合处理CPU密集型的辅助任务，例如数据预处理、计算校验和等。因为Python的全局解释器锁（GIL），同一时间只有一个线程能执行Python字节码，所以多线程对于CPU密集型任务并不能真正利用多核优势，但在一些简单计算任务上可以在一定程度上提高效率。
异步I/O用于I/O密集型任务：asyncio库专门用于处理I/O密集型任务，它通过事件循环、协程和异步函数来实现异步操作。在进行I/O操作（如网络请求、文件读写等）时，协程可以暂停执行，让事件循环去执行其他协程，从而提高I/O操作的并发处理能力。
结合方式：将CPU密集型任务放在多线程中执行，将I/O密集型任务使用asyncio的异步方式处理。这样可以充分利用多线程和异步I/O的优势，提高项目整体性能。

示例代码

import asyncio
import concurrent.futures
import time


# CPU密集型任务函数
def cpu_bound_task(n):
    result = 0
    for i in range(n):
        result += i
    return result


# 异步I/O模拟函数
async def io_bound_task():
    await asyncio.sleep(1)  # 模拟I/O操作
    return "I/O task completed"


async def main():
    # 创建线程池
    with concurrent.futures.ThreadPoolExecutor() as executor:
        loop = asyncio.get_running_loop()

        # 提交CPU密集型任务到线程池
        cpu_task1 = loop.run_in_executor(executor, cpu_bound_task, 1000000)
        cpu_task2 = loop.run_in_executor(executor, cpu_bound_task, 2000000)

        # 异步I/O任务
        io_task1 = io_bound_task()
        io_task2 = io_bound_task()

        # 等待所有任务完成
        results = await asyncio.gather(cpu_task1, cpu_task2, io_task1, io_task2)
        print(results)


if __name__ == "__main__":
    start_time = time.time()
    asyncio.run(main())
    end_time = time.time()
    print(f"Total time: {end_time - start_time} seconds")

在上述代码中：

cpu_bound_task 是一个CPU密集型任务函数，通过循环计算累加值。
io_bound_task 是一个异步I/O模拟任务，使用 asyncio.sleep 模拟I/O操作的等待时间。
在 main 函数中，使用 concurrent.futures.ThreadPoolExecutor 创建线程池，将CPU密集型任务提交到线程池执行，并通过 loop.run_in_executor 方法与 asyncio 事件循环集成。同时，创建异步I/O任务 io_bound_task，最后使用 asyncio.gather 等待所有任务完成并获取结果。

通过这种方式，可以在一个项目中有效结合多线程和异步I/O来提高性能。

星途面试题库

面试题：Python多线程与异步I/O结合使用

知识考点

面试题答案

设计思路

示例代码