深入理解python協程
一、什麼是協程
協程擁有自己的寄存器和棧。協程調度切換的時候，將寄存器上下文和棧都保存到其他地方，在切換回來的時候，恢復到先前保存的寄存器上下文和棧，因此：協程能保留上一次調用狀態，每次過程重入時，就相當於進入上一次調用的狀態。
協程的好處：
- 1.無需線程上下文切換的開銷（還是單線程）
- 2.無需原子操作（一個線程改一個變量，改一個變量的過程就可以稱為原子操作）的鎖定和同步的開銷
- 3.方便切換控制流，簡化編程模型
- 4.高並發+高擴展+低成本：一個cpu支持上萬的協程都沒有問題，適合用於高並發處理
缺點：
- 1.無法利用多核的資源，協程本身是個單線程，它不能同時將單個cpu的多核用上，協程需要和進程配合才能運用到多cpu上（協程是跑在線程上的）
- 2.進行阻塞操作時會阻塞掉整個程序：如io
二、瞭解協程的過程
2.1、yield工作原理
從語法上來看，協程和生成器類似，都是定義體中包含yield關鍵字的函數。
yield在協程中的用法：
- 在協程中yield通常出現在表達式的右邊，例如：datum = yield,可以產出值，也可以不產出–如果yield關鍵字後面沒有表達式，那麼生成器產出None。
- 在協程中yield也可能從調用方接受數據，調用方是通過send(datum)的方式把數據提供給協程使用，而不是next(…)函數，通常調用方會把值推送給協程。
- 協程可以把控制器讓給中心調度程序，從而激活其他的協程。
所以總體上在協程中把yield看做是控制流程的方式。
先通過一個簡單的協程的例子理解：
def simple_demo():
print("start")
x = yield
print("x:", x)
sd = simple_demo()
next(sd)
sd.send(10)
---------------------------
>>> start
>>> x: 10
>>> Traceback (most recent call last):
>>> File "D:/python_projects/untitled3/xiecheng1.py", line 9, >>> in <module>
>>> sd.send(10)
>>> StopIteration
對上述例子的分析：
yield 的右邊沒有表達式，所以這裡默認產出的值是None
剛開始先調用瞭next(…)是因為這個時候生成器還沒有啟動，沒有停在yield那裡，這個時候也是無法通過send發送數據。所以當我們通過next(…)激活協程後，程序就會運行到x = yield，這裡有個問題我們需要註意，x = yield這個表達式的計算過程是先計算等號右邊的內容，然後在進行賦值，所以當激活生成器後，程序會停在yield這裡，但並沒有給x賦值。
當我們調用send方法後yield會收到這個值並賦值給x,而當程序運行到協程定義體的末尾時和用生成器的時候一樣會拋出StopIteration異常
如果協程沒有通過next(…)激活(同樣我們可以通過send(None)的方式激活)，但是我們直接send，會提示如下錯誤：
def simple_demo():
print("start")
x = yield
print("x:", x)
sd = simple_demo()
# next(sd)
sd.send(10)
---------------------------
>>> Traceback (most recent call last):
>>> File "D:/python_projects/untitled3/xiecheng1.py", line 9, >>> in <module>
>>> sd.send(10)
>>> TypeError: can't send non-None value to a just-started generator
關於調用next(…)函數這一步通常稱為”預激(prime)“協程，即讓協程向前執行到第一個yield表達式，準備好作為活躍的協程使用
協程在運行過程中有四個狀態：
- GEN_CREATE:等待開始執行
- GEN_RUNNING:解釋器正在執行，這個狀態一般看不到
- GEN_SUSPENDED:在yield表達式處暫停
- GEN_CLOSED:執行結束
通過下面例子來查看協程的狀態：
>>> from inspect import getgeneratorstate
>>> def simple_demo(a):
print("start: a = ", a)
b = yield a
print("b = ", b)
c = yield a + b
print("c = ", c)
>>> sd = simple_demo(2)
>>> print(getgeneratorstate(sd))
GEN_CREATED
>>> next(sd) # 預激協程，使它走到第一個yield處，因為第一個yield處有yield值a，所以返回a的值，然後在此yield處阻塞
start: a = 2
2
>>> print(getgeneratorstate(sd))
GEN_SUSPENDED
>>> sd.send(3) # 發送3，進入協程接著上一次阻塞的yield處執行，yield接收參數3賦值給b，到下一個yield處返回a+b的值，然後在此yield處再次阻塞，等待下次send值
b = 3
5
>>> sd.send(4) # 同上一次send過程，到此結束拋異常
c = 4
Traceback (most recent call last):
File "<pyshell#8>", line 1, in <module>
sd.send(4)
StopIteration
>>> print(getgeneratorstate(sd))
GEN_CLOSED
可以通過註釋理解這個例子。
接著再通過一個計算平均值的例子來繼續理解：
>>> def averager(): total = 0.0 count = 0 average = None while True: term = yield average total += term count += 1 average = total/count >>> avg = averager() >>> next(avg) >>> avg.send(10) 10.0 >>> avg.send(30) 20.0 >>> avg.send(40) 26.666666666666668
這裡是一個死循環，隻要不停send值給協程，可以一直計算下去。
通過上面的幾個例子我們發現，我們如果想要開始使用協程的時候必須通過next(…)方式激活協程，如果不預激，這個協程就無法使用，如果哪天在代碼中遺忘瞭那麼就出問題瞭，所以有一種預激協程的裝飾器，可以幫助我們幹這件事。
2.2、預激協程的裝飾器
下面是預激裝飾器的演示例子：
from functools import wraps
def coroutine(func):
@wraps(func)
def primer(*args,**kwargs):
gen = func(*args,**kwargs)
next(gen)
return gen
return primer
@coroutine
def averager():
total = 0.0
count = 0
average = None
while True:
term = yield average
total += term
count += 1
average = total/count
coro_avg = averager()
from inspect import getgeneratorstate
print(getgeneratorstate(coro_avg))
print(coro_avg.send(10))
print(coro_avg.send(30))
print(coro_avg.send(5))
---------------------------
>>> GEN_SUSPENDED
>>> 10.0
>>> 20.0
>>> 15.0
關於預激，在使用yield from句法調用協程的時候，會自動預激活，這樣其實與我們上面定義的coroutine裝飾器是不兼容的，在python3.4裡面的asyncio.coroutine裝飾器不會預激協程，因此兼容yield from
2.3、終止協程和異常處理
協程中未處理的異常會向上冒泡，傳給 next 函數或 send 方法的調用方（即觸發協程的對象）。
繼續使用上面averager的例子
>>> coro_avg = averager()
>>> coro_avg.send(40)
40.0
>>> coro_avg.send(50)
45.0
>>> coro_avg.send('spam')
Traceback (most recent call last):
...
TypeError: unsupported operand type(s) for +=: 'float' and 'str'
>>> coro_avg.send(60)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
StopIteration
由於在協程內沒有處理異常，協程會終止。如果試圖重新激活協程，會拋出StopIteration 異常。
從 Python 2.5 開始，客戶代碼可以在生成器對象上調用兩個方法：throw 和 close，顯式地把異常發給協程。
1：generator.throw(exc_type[, exc_value[, traceback]])
使生成器在暫停的 yield 表達式處拋出指定的異常。如果生成器處理瞭拋出的異常，代碼會向前執行到下一個 yield 表達式，而產出的值會成為調用 generator.throw方法得到的返回值。如果生成器沒有處理拋出的異常，異常會向上冒泡，傳到調用方的上下文中。
2：generator.close()
使生成器在暫停的 yield 表達式處拋出 GeneratorExit 異常。如果生成器沒有處理這個異常，或者拋出瞭 StopIteration 異常（通常是指運行到結尾），調用方不會報錯。如果收到 GeneratorExit 異常，生成器一定不能產出值，否則解釋器會拋出RuntimeError 異常。生成器拋出的其他異常會向上冒泡，傳給調用方。
示例如下：
from inspect import getgeneratorstate
class DemoException(Exception):
"""為這次演示定義的異常類型。"""
pass
def demo_exc_handling():
print('-> coroutine started')
while True:
try:
x = yield
except DemoException:
print('*** DemoException handled. Continuing...')
else:
print('-> coroutine received: {!r}'.format(x))
raise RuntimeError('This line should never run.')
>>> exc_coro = demo_exc_handling()
>>> next(exc_coro)
-> coroutine started
>>> exc_coro.send(11)
-> coroutine received: 11
>>> exc_coro.send(22)
-> coroutine received: 22
>>> exc_coro.throw(DemoException)
*** DemoException handled. Continuing...
>>> getgeneratorstate(exc_coro)
'GEN_SUSPENDED'
>>> exc_coro.close()
>>> getgeneratorstate(exc_coro)
'GEN_CLOSED'
2.4、讓協程返回值
在Python2中，生成器函數中的return不允許返回附帶返回值。在Python3中取消瞭這一限制，因而允許協程可以返回值：
from collections import namedtuple
Result = namedtuple('Result', 'count average')
def averager():
total = 0.0
count = 0
average = None
while True:
term = yield
if term is None:
break
total += term
count += 1
average = total/count
return Result(count, average)
>>> coro_avg = averager()
>>> next(coro_avg)
>>> coro_avg.send(10)
>>> coro_avg.send(30)
>>> coro_avg.send(6.5)
>>> coro_avg.send(None)
Traceback (most recent call last):
...
StopIteration: Result(count=3, average=15.5)
發送 None 會終止循環，導致協程結束，返回結果。一如既往，生成器對象會拋出StopIteration 異常。異常對象的 value 屬性保存著返回的值。
註意，return 表達式的值會偷偷傳給調用方，賦值給 StopIteration 異常的一個屬性。這樣做有點不合常理，但是能保留生成器對象的常規行為——耗盡時拋出StopIteration 異常。如果需要接收返回值，可以這樣：
>>> try: ... coro_avg.send(None) ... except StopIteration as exc: ... result = exc.value ... >>> result Result(count=3, average=15.5)
獲取協程的返回值要繞個圈子，可以使用Python3.3引入的yield from獲取返回值。yield from 結構會在內部自動捕獲 StopIteration 異常。這種處理方式與 for 循環處理 StopIteration 異常的方式一樣。對 yield from 結構來說，解釋器不僅會捕獲 StopIteration 異常，還會把value 屬性的值變成 yield from 表達式的值。
2.5、yield from的使用
yield from 是 Python3.3 後新加的語言結構。在其他語言中，類似的結構使用 await 關鍵字，這個名稱好多瞭，因為它傳達瞭至關重要的一點：在生成器 gen 中使用 yield from subgen() 時，subgen 會獲得控制權，把產出的值傳給 gen 的調用方，即調用方可以直接控制 subgen。與此同時，gen 會阻塞，等待 subgen 終止。
yield from 可用於簡化 for 循環中的 yield 表達式。例如：
>>> def gen(): ... for c in 'AB': ... yield c ... for i in range(1, 3): ... yield i ... >>> list(gen()) ['A', 'B', 1, 2]
可以改為
>>> def gen(): ... yield from 'AB' ... yield from range(1, 3) ... >>> list(gen()) ['A', 'B', 1, 2]
yield from x 表達式對 x 對象所做的第一件事是，調用 iter(x)，從中獲取迭代器。因此，x 可以是任何可迭代的對象。
如果 yield from 結構唯一的作用是替代產出值的嵌套 for 循環，這個結構很有可能不會添加到 Python 語言中。
yield from 的主要功能是打開雙向通道，把最外層的調用方與最內層的子生成器連接起來，這樣二者可以直接發送和產出值，還可以直接傳入異常，而不用在位於中間的協程中添加大量處理異常的樣板代碼。有瞭這個結構，協程可以通過以前不可能的方式委托職責。
PEP 380 使用瞭一些yield from使用的專門術語：
- 委派生成器：包含 yield from 表達式的生成器函數；
- 子生成器：從 yield from 表達式中 部分獲取的生成器；
- 調用方：調用委派生成器的客戶端代碼；
委派生成器在 yield from 表達式處暫停時，調用方可以直接把數據發給子生成器，子生成器再把產出的值發給調用方。子生成器返回之後，解釋器會拋出StopIteration 異常，並把返回值附加到異常對象上，此時委派生成器會恢復。
下面是一個求平均身高和體重的示例代碼:
from collections import namedtuple
Result = namedtuple('Result', 'count average')
# 子生成器
def averager():
total = 0.0
count = 0
average = None
while True:
# main 函數發送數據到這裡
print("in averager, before yield")
term = yield
if term is None: # 終止條件
break
total += term
count += 1
average = total/count
print("in averager, return result")
return Result(count, average) # 返回的Result 會成為grouper函數中yield from表達式的值
# 委派生成器
def grouper(results, key):
# 這個循環每次都會新建一個averager 實例，每個實例都是作為協程使用的生成器對象
while True:
print("in grouper, before yield from averager, key is ", key)
results[key] = yield from averager()
print("in grouper, after yield from, key is ", key)
# 調用方
def main(data):
results = {}
for key, values in data.items():
# group 是調用grouper函數得到的生成器對象
group = grouper(results, key)
print("\ncreate group: ", group)
next(group) #預激 group 協程。
print("pre active group ok")
for value in values:
# 把各個value傳給grouper 傳入的值最終到達averager函數中；
# grouper並不知道傳入的是什麼，同時grouper實例在yield from處暫停
print("send to %r value %f now"%(group, value))
group.send(value)
# 把None傳入groupper，傳入的值最終到達averager函數中，導致當前實例終止。然後繼續創建下一個實例。
# 如果沒有group.send(None)，那麼averager子生成器永遠不會終止，委派生成器也永遠不會在此激活，也就不會為result[key]賦值
print("send to %r none"%group)
group.send(None)
print("report result: ")
report(results)
# 輸出報告
def report(results):
for key, result in sorted(results.items()):
group, unit = key.split(';')
print('{:2} {:5} averaging {:.2f}{}'.format(result.count, group, result.average, unit))
data = {
'girls;kg':[40, 41, 42, 43, 44, 54],
'girls;m': [1.5, 1.6, 1.8, 1.5, 1.45, 1.6],
'boys;kg':[50, 51, 62, 53, 54, 54],
'boys;m': [1.6, 1.8, 1.8, 1.7, 1.55, 1.6],
}
if __name__ == '__main__':
main(data)
grouper 發送的每個值都會經由 yield from 處理，通過管道傳給 averager 實例。grouper 會在 yield from 表達式處暫停，等待 averager 實例處理客戶端發來的值。averager 實例運行完畢後，返回的值綁定到 results[key] 上。while 循環會不斷創建 averager 實例，處理更多的值。
外層 for 循環重新迭代時會新建一個 grouper 實例，然後綁定到 group 變量上。前一個 grouper 實例（以及它創建的尚未終止的 averager 子生成器實例）被垃圾回收程序回收。
代碼結果如下：
create group: <generator object grouper at 0x7f34ce8458e0>
in grouper, before yield from averager, key is girls;kg
in averager, before yield
pre active group ok
send to <generator object grouper at 0x7f34ce8458e0> value 40.000000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce8458e0> value 41.000000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce8458e0> value 42.000000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce8458e0> value 43.000000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce8458e0> value 44.000000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce8458e0> value 54.000000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce8458e0> none
in averager, return result
in grouper, after yield from, key is girls;kg
in grouper, before yield from averager, key is girls;kg
in averager, before yield
create group: <generator object grouper at 0x7f34ce845678>
in grouper, before yield from averager, key is girls;m
in averager, before yield
pre active group ok
send to <generator object grouper at 0x7f34ce845678> value 1.500000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce845678> value 1.600000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce845678> value 1.800000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce845678> value 1.500000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce845678> value 1.450000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce845678> value 1.600000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce845678> none
in averager, return result
in grouper, after yield from, key is girls;m
in grouper, before yield from averager, key is girls;m
in averager, before yield
create group: <generator object grouper at 0x7f34ce845620>
in grouper, before yield from averager, key is boys;kg
in averager, before yield
pre active group ok
send to <generator object grouper at 0x7f34ce845620> value 50.000000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce845620> value 51.000000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce845620> value 62.000000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce845620> value 53.000000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce845620> value 54.000000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce845620> value 54.000000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce845620> none
in averager, return result
in grouper, after yield from, key is boys;kg
in grouper, before yield from averager, key is boys;kg
in averager, before yield
create group: <generator object grouper at 0x7f34ce8458e0>
in grouper, before yield from averager, key is boys;m
in averager, before yield
pre active group ok
send to <generator object grouper at 0x7f34ce8458e0> value 1.600000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce8458e0> value 1.800000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce8458e0> value 1.800000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce8458e0> value 1.700000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce8458e0> value 1.550000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce8458e0> value 1.600000 now
in averager, before yield
send to <generator object grouper at 0x7f34ce8458e0> none
in averager, return result
in grouper, after yield from, key is boys;m
in grouper, before yield from averager, key is boys;m
in averager, before yield
report result:
6 boys averaging 54.00kg
6 boys averaging 1.68m
6 girls averaging 44.00kg
6 girls averaging 1.58m
這個試驗想表明的關鍵一點是，如果子生成器不終止，委派生成器會在yield from 表達式處永遠暫停。如果是這樣，程序不會向前執行，因為 yield from（與 yield 一樣）把控制權轉交給客戶代碼（即，委派生成器的調用方）瞭。
2.6、yield from的意義
把迭代器當作生成器使用，相當於把子生成器的定義體內聯在 yield from 表達式中。此外，子生成器可以執行 return 語句，返回一個值，而返回的值會成為 yield from 表達式的值。
PEP 380 在“Proposal”一節（https://www.python.org/dev/peps/pep-0380/#proposal）分六點說明瞭 yield from 的行為。這裡幾乎原封不動地引述，不過把有歧義的“迭代器”一詞都換成瞭“子生成器”，還做瞭進一步說明。上面的示例闡明瞭下述四點：
子生成器產出的值都直接傳給委派生成器的調用方（即客戶端代碼）；
使用 send() 方法發給委派生成器的值都直接傳給子生成器。如果發送的值是None，那麼會調用子生成器的 next() 方法。如果發送的值不是 None，那麼會調用子生成器的 send() 方法。如果子生成器拋出 StopIteration 異常，那麼委派生成器恢復運行。任何其他異常都會向上冒泡，傳給委派生成器；
生成器退出時，生成器（或子生成器）中的 return expr 表達式會觸發StopIteration(expr) 異常拋出；
yield from 表達式的值是子生成器終止時傳給 StopIteration 異常的第一個參數。
yield from 的具體語義很難理解，尤其是處理異常的那兩點。在PEP 380 中闡述瞭 yield from 的語義。還使用偽代碼（使用 Python 句法）演示瞭 yield from 的行為。
若想研究那段偽代碼，最好將其簡化，隻涵蓋 yield from 最基本且最常見的用法：yield from 出現在委派生成器中，客戶端代碼驅動著委派生成器，而委派生成器驅動著子生成器。為瞭簡化涉及到的邏輯，假設客戶端沒有在委派生成器上調用throw(…) 或 close() 方法。而且假設子生成器不會拋出異常，而是一直運行到終止，讓解釋器拋出 StopIteration 異常。上面示例中的腳本就做瞭這些簡化邏輯的假設。
下面的偽代碼，等效於委派生成器中的 RESULT = yield from EXPR 語句（這裡針對的是最簡單的情況：不支持 .throw(…) 和 .close() 方法，而且隻處理 StopIteration 異常）：
_i = iter(EXPR)
try:
_y = next(_i)
except StopIteration as _e:
_r = _e.value
else:
while 1:
_s = yield _y
try:
_y = _i.send(_s)
except StopIteration as _e:
_r = _e.value
break
RESULT = _r
但是，現實情況要復雜一些，因為要處理客戶對 throw(…) 和 close() 方法的調用，而這兩個方法執行的操作必須傳入子生成器。此外，子生成器可能隻是純粹的迭代器，不支持 throw(…) 和 close() 方法，因此 yield from 結構的邏輯必須處理這種情況。如果子生成器實現瞭這兩個方法，而在子生成器內部，這兩個方法都會觸發異常拋出，這種情況也必須由 yield from 機制處理。調用方可能會無緣無故地讓子生成器自己拋出異常，實現 yield from 結構時也必須處理這種情況。最後，為瞭優化，如果調用方調用 next(…) 函數或 .send(None) 方法，都要轉交職責，在子生成器上調用next(…) 函數；僅當調用方發送的值不是 None 時，才使用子生成器的 .send(…) 方法。
下面的偽代碼，是考慮瞭上述情況之後，語句：RESULT = yield from EXPR的等效代碼：
_i = iter(EXPR)
try:
_y = next(_i)
except StopIteration as _e:
_r = _e.value
else:
while 1:
try:
_s = yield _y
except GeneratorExit as _e:
try:
_m = _i.close
except AttributeError:
pass
else:
_m()
raise _e
except BaseException as _e:
_x = sys.exc_info()
try:
_m = _i.throw
except AttributeError:
raise _e
else:
try:
_y = _m(*_x)
except StopIteration as _e:
_r = _e.value
break
else:
try:
if _s is None:
_y = next(_i)
else:
_y = _i.send(_s)
except StopIteration as _e:
_r = _e.value
break
RESULT = _r
上面的偽代碼中，會預激子生成器。這表明，用於自動預激的裝飾器與 yield from 結構不兼容。
三、greenlet的使用
python中為實現協程封裝瞭一些非常好用的包，首先介紹greenlet的使用。
Greenlet是python的一個C擴展，旨在提供可自行調度的‘微線程’， 即協程。generator實現的協程在yield value時隻能將value返回給調用者(caller)。 而在greenlet中，target.switch（value）可以切換到指定的協程（target）， 然後yield value。greenlet用switch來表示協程的切換，從一個協程切換到另一個協程需要顯式指定。
以下例子：
from greenlet import greenlet
def test1():
print(12)
gr2.switch()
print(34)
def test2():
print(56)
gr1.switch()
print(78)
gr1 = greenlet(test1)
gr2 = greenlet(test2)
gr1.switch()
---------------------------
>>> 12
>>> 56
>>> 34
當創建一個greenlet時，首先初始化一個空的棧， switch到這個棧的時候，會運行在greenlet構造時傳入的函數（首先在test1中打印 12）， 如果在這個函數（test1）中switch到其他協程（到瞭test2 打印34），那麼該協程會被掛起，等到切換回來（在test2中切換回來 打印34）。當這個協程對應函數執行完畢，那麼這個協程就變成dead狀態。
對於greenlet，最常用的寫法是 x = gr.switch(y)。 這句話的意思是切換到gr，傳入參數y。當從其他協程（不一定是這個gr）切換回來的時候，將值付給x。
import greenlet
def test1(x, y):
z = gr2.switch(x+y)
print 'test1 ', z
def test2(u):
print 'test2 ', u
gr1.switch(10)
gr1 = greenlet.greenlet(test1)
gr2 = greenlet.greenlet(test2)
print gr1.switch("hello", " world")
---------------------------
>>> 'test2 ' 'hello world'
>>> 'test1 ' 10
>>> None
上面的例子，第12行從main greenlet切換到瞭gr1，test1第3行切換到瞭gs2，然後gr1掛起，第8行從gr2切回gr1時，將值（10）返回值給瞭 z。
使用greenlet需要註意一下三點：
- 第一：greenlet創生之後，一定要結束，不能switch出去就不回來瞭，否則容易造成內存泄露
- 第二：python中每個線程都有自己的main greenlet及其對應的sub-greenlet ，不能線程之間的greenlet是不能相互切換的
- 第三：不能存在循環引用，這個是官方文檔明確說明
四、gevent的使用
gevent可以自動捕獲I/O耗時操作，來自動切換協程任務。
import gevent
def f1():
for i in range(5):
print('run func: f1, index: %s ' % i)
gevent.sleep(1)
def f2():
for i in range(5):
print('run func: f2, index: %s ' % i)
gevent.sleep(1)
t1 = gevent.spawn(f1)
t2 = gevent.spawn(f2)
gevent.joinall([t1, t2])
------------------------------
>>> run func: f1, index: 0
>>> run func: f2, index: 0
>>> run func: f1, index: 1
>>> run func: f2, index: 1
>>> run func: f1, index: 2
>>> run func: f2, index: 2
>>> run func: f1, index: 3
>>> run func: f2, index: 3
>>> run func: f1, index: 4
>>> run func: f2, index: 4
由圖中可以看出，f1和f2是交叉打印信息的，因為在代碼執行的過程中，我們人為使用gevent.sleep(0)創建瞭一個阻塞，gevent在運行到這裡時就會自動切換函數切換函數。也可以在執行的時候sleep更長時間，可以發現兩個函數基本是同時運行然後各自等待。
關於協程，首先要充分理解協程的實現原理，然後使用現有的輪子greenlet和gevent時才能更加得心應手！
以上就是深入理解python協程的詳細內容，更多關於python協程的資料請關註WalkonNet其它相關文章！