Python增强的生成器:协程

开发 后端
本文主要介绍python中Enhanced generator即coroutine相关内容,包括基本语法、使用场景、注意事项,以及与其他语言协程实现的异同。

[[202482]]

本文主要介绍python中Enhanced generator即coroutine相关内容,包括基本语法、使用场景、注意事项,以及与其他语言协程实现的异同。

enhanced generator

在上文《Python Yield Generator 详解》中介绍了yield和generator的使用场景和主意事项,只用到了generator的next方法,事实上generator还有更强大的功能。PEP 342为generator增加了一系列方法来使得generator更像一个协程Coroutine。做主要的变化在于早期的yield只能返回值(作为数据的产生者), 而新增加的send方法能在generator恢复的时候消费一个数值,而去caller(generator的调用着)也可以通过throw在generator挂起的主动抛出异常。

  1. back_data = yield cur_ret 

这段代码的意思是:当执行到这条语句时,返回cur_ret给调用者;并且当generator通过next()或者send(some_data)方法恢复的时候,将some_data赋值给back_data.例如:

  1. def gen(data): 
  2.  
  3.     print 'before yield', data 
  4.  
  5.     back_data = yield data 
  6.  
  7.     print 'after resume', back_data 
  8.  
  9.      
  10.  
  11. if __name__ == '__main__'
  12.  
  13.     g = gen(1) 
  14.  
  15.     print g.next() 
  16.  
  17.     try: 
  18.  
  19.         g.send(0) 
  20.  
  21.     except StopIteration: 
  22.  
  23.         pass  

输出:

  1. before yield 1 
  2.  
  3.  
  4. after resume 0  

两点需要注意:

  1. next() 等价于 send(None)
  2. ***次调用时,需要使用next()语句或是send(None),不能使用send发送一个非None的值,否则会出错的,因为没有Python yield语句来接收这个值。

应用场景

当generator可以接受数据(在从挂起状态恢复的时候) 而不仅仅是返回数据时, generator就有了消费数据(push)的能力。下面的例子来自这里:

  1. word_map = {} 
  2.  
  3. def consume_data_from_file(file_name, consumer): 
  4.  
  5.     for line in file(file_name): 
  6.  
  7.         consumer.send(line)      
  8.  
  9. def consume_words(consumer): 
  10.  
  11.     while True
  12.  
  13.         line = yield 
  14.  
  15.         for word in (w for w in line.split() if w.strip()): 
  16.  
  17.             consumer.send(word)      
  18.  
  19. def count_words_consumer(): 
  20.  
  21.     while True
  22.  
  23.         word  = yield 
  24.  
  25.         if word not in word_map: 
  26.  
  27.             word_map[word] = 0 
  28.  
  29.         word_map[word] += 1 
  30.  
  31.     print word_map      
  32.  
  33. if __name__ == '__main__'
  34.  
  35.     cons = count_words_consumer() 
  36.  
  37.     cons.next() 
  38.  
  39.     cons_inner = consume_words(cons) 
  40.  
  41.     cons_inner.next() 
  42.  
  43.     c = consume_data_from_file('test.txt', cons_inner) 
  44.  
  45.     print word_map  

上面的代码中,真正的数据消费者是count_words_consumer,最原始的数据生产者是consume_data_from_file,数据的流向是主动从生产者推向消费者。不过上面第22、24行分别调用了两次next,这个可以使用一个decorator封装一下。

  1. def consumer(func): 
  2.  
  3.     def wrapper(*args,**kw): 
  4.  
  5.         gen = func(*args, **kw) 
  6.  
  7.         gen.next() 
  8.  
  9.         return gen 
  10.  
  11.     wrapper.__name__ = func.__name__ 
  12.  
  13.     wrapper.__dict__ = func.__dict__ 
  14.  
  15.     wrapper.__doc__  = func.__doc__ 
  16.  
  17.     return wrapper  

修改后的代码:

  1. def consumer(func): 
  2.  
  3.     def wrapper(*args,**kw): 
  4.  
  5.         gen = func(*args, **kw) 
  6.  
  7.         gen.next() 
  8.  
  9.         return gen 
  10.  
  11.     wrapper.__name__ = func.__name__ 
  12.  
  13.     wrapper.__dict__ = func.__dict__ 
  14.  
  15.     wrapper.__doc__  = func.__doc__ 
  16.  
  17.     return wrapper      
  18.  
  19. word_map = {} 
  20.  
  21. def consume_data_from_file(file_name, consumer): 
  22.  
  23.     for line in file(file_name): 
  24.  
  25.         consumer.send(line)      
  26.  
  27. @consumer 
  28.  
  29. def consume_words(consumer): 
  30.  
  31.     while True
  32.  
  33.         line = yield 
  34.  
  35.         for word in (w for w in line.split() if w.strip()): 
  36.  
  37.             consumer.send(word)      
  38.  
  39. @consumer 
  40.  
  41. def count_words_consumer(): 
  42.  
  43.     while True
  44.  
  45.         word  = yield 
  46.  
  47.         if word not in word_map: 
  48.  
  49.             word_map[word] = 0 
  50.  
  51.         word_map[word] += 1 
  52.  
  53.     print word_map      
  54.  
  55. if __name__ == '__main__'
  56.  
  57.     cons = count_words_consumer() 
  58.  
  59.     cons_inner = consume_words(cons) 
  60.  
  61.     c = consume_data_from_file('test.txt', cons_inner) 
  62.  
  63.     print word_map      
  64.  
  65. example_with_deco  

generator throw

除了next和send方法,generator还提供了两个实用的方法,throw和close,这两个方法加强了caller对generator的控制。send方法可以传递一个值给generator,throw方法在generator挂起的地方抛出异常,close方法让generator正常结束(之后就不能再调用next send了)。下面详细介绍一下throw方法。

  1. throw(type[, value[, traceback]]) 

在generator yield的地方抛出type类型的异常,并且返回下一个被yield的值。如果type类型的异常没有被捕获,那么会被传给caller。另外,如果generator不能yield新的值,那么向caller抛出StopIteration异常:

  1. @consumer 
  2.  
  3. def gen_throw(): 
  4.  
  5.     value = yield 
  6.  
  7.     try: 
  8.         yield value 
  9.  
  10.     except Exception, e: 
  11.  
  12.         yield str(e) # 如果注释掉这行,那么会抛出StopIteration      
  13.  
  14. if __name__ == '__main__'
  15.  
  16.     g = gen_throw() 
  17.  
  18.     assert g.send(5) == 5 
  19.  
  20.     assert g.throw(Exception, 'throw Exception') == 'throw Exception'  

***次调用send,代码返回value(5)之后在第5行挂起, 然后generator throw之后会被第6行catch住。如果第7行没有重新yield,那么会重新抛出StopIteration异常。

注意事项

如果一个生成器已经通过send开始执行,那么在其再次yield之前,是不能从其他生成器再次调度到该生成器

  1. @consumer 
  2.  
  3. def funcA(): 
  4.  
  5.     while True
  6.  
  7.         data = yield 
  8.  
  9.         print 'funcA recevie', data 
  10.  
  11.         fb.send(data * 2)      
  12.  
  13. @consumer 
  14.  
  15. def funcB(): 
  16.  
  17.     while True
  18.  
  19.         data = yield 
  20.  
  21.         print 'funcB recevie', data 
  22.  
  23.         fa.send(data * 2)      
  24.  
  25. fa = funcA() 
  26.  
  27. fb = funcB() 
  28.  
  29. if __name__ == '__main__'
  30.  
  31.     fa.send(10)  

输出:

  1. funcA recevie 10 
  2.  
  3. funcB recevie 20 
  4.  
  5. ValueError: generator already executing  

Generator 与 Coroutine

回到Coroutine,可参见维基百科解释,而我自己的理解比较简单(或者片面):程序员可控制的并发流程,不管是进程还是线程,其切换都是操作系统在调度,而对于协程,程序员可以控制什么时候切换出去,什么时候切换回来。协程比进程 线程轻量级很多,较少了上下文切换的开销。另外,由于是程序员控制调度,一定程度上也能避免一个任务被中途中断.。协程可以用在哪些场景呢,我觉得可以归纳为非阻塞等待的场景,如游戏编程,异步IO,事件驱动。

Python中,generator的send和throw方法使得generator很像一个协程(coroutine), 但是generator只是一个半协程(semicoroutines),python doc是这样描述的:

“All of this makes generator functions quite similar to coroutines; they yield multiple times, they have more than one entry point and their execution can be suspended. The only difference is that a generator function cannot control where should the execution continue after it yields; the control is always transferred to the generator’s caller.”

尽管如此,利用enhanced generator也能实现更强大的功能。比如上文中提到的yield_dec的例子,只能被动的等待时间到达之后继续执行。在某些情况下比如触发了某个事件,我们希望立即恢复执行流程,而且我们也关心具体是什么事件,这个时候就需要在generator send了。另外一种情形,我们需要终止这个执行流程,那么刻意调用close,同时在代码里面做一些处理,伪代码如下:

  1. @yield_dec 
  2.  
  3. def do(a): 
  4.  
  5.     print 'do', a 
  6.  
  7.     try: 
  8.  
  9.         event = yield 5 
  10.  
  11.         print 'post_do', a, event 
  12.  
  13.     finally: 
  14.  
  15.         print 'do sth'  

至于之前提到的另一个例子,服务(进程)之间的异步调用,也是非常适合实用协程的例子。callback的方式会割裂代码,把一段逻辑分散到多个函数,协程的方式会好很多,至少对于代码阅读而言。其他语言,比如C#、Go语言,协程都是标准实现,特别对于go语言,协程是高并发的基石。在python3.x中,通过asyncio和async\await也增加了对协程的支持。在笔者所使用的2.7环境下,也可以使用greenlet,之后会有博文介绍。

参考

  • https://www.python.org/dev/peps/pep-0342/
  • http://www.dabeaz.com/coroutines/
  • https://en.wikipedia.org/wiki/Coroutine#Implementations_for_Python 
责任编辑:庞桂玉 来源: Python开发者
相关推荐

2021-09-16 09:59:13

PythonJavaScript代码

2021-12-04 22:07:44

Python

2023-08-25 09:51:21

前端开发

2024-02-05 09:06:25

Python协程Asyncio库

2011-12-23 13:42:05

JavaScript

2021-04-22 21:15:38

Generator函数生成器

2010-09-07 16:31:17

SQL语句insert

2015-08-25 11:07:58

2017-07-01 16:02:39

分布式ID生成器

2020-10-05 21:57:43

Python生成器可迭代对象

2022-10-17 18:29:55

2021-08-11 20:20:51

Python异步列表

2017-06-26 16:26:15

Python迭代对象迭代器

2021-12-09 06:41:56

Python协程多并发

2023-05-04 16:24:10

人工智能图像生成器

2023-02-07 16:11:41

2021-06-06 16:31:57

PythonPython 3.7 编程语言

2022-07-25 10:27:36

背景生成器工具前端

2023-11-15 13:35:00

迭代器生成器Python

2017-09-22 16:08:16

Python协程编程
点赞
收藏

51CTO技术栈公众号