asyncio.FileIO不能直接用于HTTP上传，因其底层为阻塞式系统调用；可行方案是用run_in_executor配合同步read或os.pread，且须严格管控分块大小、并发数、线程池与校验逻辑绑定。
asyncio.FileIO 不能直接用于 HTTP 上传
很多人一上来就尝试用 asyncio.FileIO 配合 aiohttp 或 httpx.AsyncClient 读取大文件分块上传，结果发现上传卡死、内存暴涨或抛出 BlockingIOError。根本原因是 asyncio.FileIO 虽然名字带 async，但它底层调用的是阻塞式系统调用（如 read()），在 Windows 和多数 Linux 发行版上不支持真正的异步文件 I/O。
真正可行的路径只有两条：
- 用
loop.run_in_executor()把同步文件读取扔进线程池（简单、兼容性好、适合中小文件） - 用
os.open()+os.pread()（Linux/macOS）配合loop.run_in_executor()实现零拷贝预读（高吞吐场景需手动控制 offset/size）
别碰 asyncio.to_thread() 读大文件——它默认用 concurrent.futures.ThreadPoolExecutor，但没设 max_workers，上传并发高时会拖垮线程池。
分块上传必须自己管理 offset 和 chunk_size
aiohttp 或 httpx 的 data= 参数不会自动切片；你传进去的 bytes 或 AsyncIterator[bytes] 必须由你严格控制每块大小和起始位置。否则服务端收到的分块会错位，合并失败。
关键点：
- 不要用
file.read(chunk_size)循环——这是同步阻塞调用，会阻塞整个 event loop - 用
await loop.run_in_executor(None, partial(file.read, chunk_size))，且每次调用前确保文件指针已 seek 到正确offset - chunk_size 建议设为 512KB～4MB：太小增加 HTTP 头开销和 round-trip 次数；太大导致单次上传超时或内存占用飙升
- 上传前先发个
POST /upload/init获取 upload_id，后续每块带上X-Upload-ID和X-Chunk-Index，方便服务端校验顺序
并发上传多块时必须限制连接数和 executor workers
看似“用 asyncio 就能无脑开 100 个协程上传”，实际会触发两个瓶颈：
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
-
aiohttp.ClientSession默认 connector 并发上限是 100，但 TCP 连接、TLS 握手、内核 socket buffer 都会耗尽资源 - 线程池默认无上限，
run_in_executor大量阻塞读会挤占线程，最终协程等不到 executor 空闲线程而挂起
实操建议：
- 创建 session 时显式配置：
aiohttp.TCPConnector(limit=20, limit_per_host=5) - 自定义线程池：
executor = ThreadPoolExecutor(max_workers=8)，传给loop.run_in_executor(executor, ...) - 用
asyncio.Semaphore(5)控制同时上传的 chunk 数（不是协程数），避免服务端被压垮
漏掉任一限制，服务在压测时大概率出现 ConnectionResetError、OSError: [Errno 24] Too many open files 或 CPU 100% 但吞吐不增。
MD5/SHA256 校验必须在读取时同步计算
分块上传常要求每块带 X-Chunk-MD5，整文件再校验合并后哈希。如果等所有 chunk 上传完再读一遍文件算总哈希，等于白做分块——I/O 成本翻倍。
正确做法是：
- 每次从文件读 chunk 的同时，用
hashlib.md5(chunk).digest()算当前块哈希（注意：用digest()不是hexdigest()，减少字符串开销） - 用一个全局
hashlib.sha256()实例，在每次update(chunk)，最后上传完成时调用hexdigest()得到文件总哈希 - 别在协程里新建 hash 对象——Python 的 hash 实例不是线程安全的，但
update()在同一线程内是安全的；只要保证每个 chunk 的读取和 update 在同一个线程池 worker 中完成即可
最容易被忽略的是：校验逻辑必须和文件读取绑定在同一 executor 调用中，否则 chunk 内容可能被 GC 或复用，导致哈希错乱。
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！
