本文详解 Python 异步生成器（async def ... yield）的执行模型，澄清常见误解——它本身不提供并发能力；async for 仍是串行驱动，每次迭代必须等待前一次 await 完成后才进入下一轮。真正的并发需显式创建并调度多个任务。
本文详解 python 异步生成器（`async def ... yield`）的执行模型，澄清常见误解——它本身不提供并发能力；`async for` 仍是串行驱动，每次迭代必须等待前一次 `await` 完成后才进入下一轮。真正的并发需显式创建并调度多个任务。
异步生成器（async generator）常被误认为“天然支持并发”，尤其当开发者期望 async for 能像 asyncio.gather() 那样并行触发所有迭代逻辑。但事实恰恰相反：async for 是协程驱动的同步迭代协议。它按严格顺序逐次调用生成器的 __anext__() 方法，每次调用都必须完整执行到下一个 yield（或 return），期间遇到 await 就挂起当前迭代，待其恢复后才继续下一次迭代。这意味着：生成器内部的 await asyncio.sleep(3) 不会“释放控制权给其他迭代”，而是让整个循环停顿 3 秒——这正是原代码耗时 15 秒（5 × 3s）的根本原因。
要实现预期的并发行为（即 5 次“entering”几乎同时打印，3 秒后 5 次“ending”集中输出），关键在于解耦生成逻辑与执行逻辑：
- ✅ 生成器只负责产出数据（如 yield i），不执行耗时操作；
- ✅ 在消费端（async for 循环内）为每个值启动独立任务，利用 asyncio.create_task() 并发调度；
- ✅ 最后统一等待所有任务完成，确保结果有序处理（如需顺序输出可额外加锁或索引排序）。
以下是符合预期行为的重构示例：
import asyncio
async def fetch_item(i: int) -> int:
"""模拟异步 I/O 操作：进入、等待、退出"""
print(f"entering iteration {i}")
await asyncio.sleep(3) # 模拟网络/数据库延迟
print(f"ending iteration {i}")
return i
async def async_gen():
"""纯数据生成器：无 await，仅 yield"""
for i in range(5):
yield i
async def main():
tasks = []
# 启动所有异步任务（并发提交）
async for value in async_gen():
task = asyncio.create_task(fetch_item(value))
tasks.append(task)
# 并发等待全部完成（注意：此处返回值顺序与提交顺序一致）
results = await asyncio.gather(*tasks)
for result in results:
print(result)
asyncio.run(main())
运行效果（总耗时 ≈ 3 秒）：
entering iteration 0 entering iteration 1 entering iteration 2 entering iteration 3 entering iteration 4 ending iteration 0 ending iteration 1 ending iteration 2 ending iteration 3 ending iteration 4 0 1 2 3 4
⚠️ 重要注意事项：
- 不要在异步生成器中混入阻塞或长时 await：这会直接拖慢整个 async for 循环，违背并发设计初衷；
- 任务数量需合理控制：对海量数据，应使用 asyncio.Semaphore 限制并发数，避免资源耗尽；
- 结果顺序 ≠ 提交顺序：asyncio.gather() 默认保持索引顺序，但若需按完成时间输出，应改用 asyncio.as_completed()；
- 异常传播需显式处理：gather(..., return_exceptions=True) 可捕获子任务异常，避免整个流程中断。
总结而言，异步生成器是异步数据流的载体，而非并发执行的调度器。真正实现高吞吐的关键，在于将耗时逻辑移出生成器，并在消费侧通过任务池（create_task + gather）主动编排并发。理解这一分离原则，是写出高效、可维护异步 Python 代码的基础。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
