


Pengaturcaraan tak segerak semakin penting dalam pembangunan Python. Dengan asyncio
kini komponen perpustakaan standard dan banyak pakej pihak ketiga yang serasi, paradigma ini akan kekal. Tutorial ini menunjukkan penggunaan pustaka HTTPX
untuk permintaan HTTP tak segerak—kes penggunaan utama untuk kod tidak menyekat.
Apakah Kod Tidak Menyekat?
Istilah seperti "tak segerak", "tidak menyekat" dan "serentak" boleh mengelirukan. Pada asasnya:
- Rutin tak segerak boleh "jeda" sementara menunggu keputusan, membenarkan rutin lain dilaksanakan serentak.
- Ini mewujudkan penampilan pelaksanaan serentak, walaupun keselarian sebenar mungkin tidak terlibat.
Kod tak segerak mengelak daripada menyekat, membolehkan kod lain dijalankan sementara menunggu keputusan. Pustaka asyncio
menyediakan alatan untuk ini dan aiohttp
menawarkan fungsi permintaan HTTP khusus. Permintaan HTTP sesuai untuk ketidaksegerakan kerana ia melibatkan menunggu respons pelayan, tempoh di mana tugas lain boleh dilaksanakan dengan cekap.
Persediaan
Pastikan persekitaran Python anda dikonfigurasikan. Rujuk kepada panduan persekitaran maya jika perlu (Python 3.7 diperlukan). Pasang HTTPX
:
pip install httpx==0.18.2
Membuat Permintaan HTTP dengan HTTPX
Contoh ini menggunakan satu permintaan GET ke API Pokémon untuk mengambil data untuk Mew (Pokémon #151):
import asyncio import httpx async def main(): url = 'https://pokeapi.co/api/v2/pokemon/151' async with httpx.AsyncClient() as client: response = await client.get(url) pokemon = response.json() print(pokemon['name']) asyncio.run(main())
async
menandakan coroutine; await
menghasilkan kawalan kepada gelung acara, meneruskan pelaksanaan apabila ketersediaan keputusan.
Membuat Berbilang Permintaan
Kuasa sebenar ketidaksegerakan terbukti apabila membuat banyak permintaan. Contoh ini mengambil data untuk 150 Pokémon pertama:
import asyncio import httpx import time start_time = time.time() async def main(): async with httpx.AsyncClient() as client: for number in range(1, 151): url = f'https://pokeapi.co/api/v2/pokemon/{number}' response = await client.get(url) pokemon = response.json() print(pokemon['name']) asyncio.run(main()) print(f"--- {time.time() - start_time:.2f} seconds ---")
Masakan pelaksanaan. Bandingkan ini dengan pendekatan segerak.
Perbandingan Permintaan Segerak
Persamaan segerak:
import httpx import time start_time = time.time() client = httpx.Client() for number in range(1, 151): url = f'https://pokeapi.co/api/v2/pokemon/{number}' response = client.get(url) pokemon = response.json() print(pokemon['name']) print(f"--- {time.time() - start_time:.2f} seconds ---")
Perhatikan perbezaan masa jalan. Pengumpulan sambungan HTTPX
meminimumkan jurang perbezaan, tetapi asyncio menawarkan pengoptimuman lanjut.
Teknik Asynchronous Terperinci
Untuk prestasi unggul, jalankan permintaan serentak menggunakan asyncio.ensure_future
dan asyncio.gather
:
import asyncio import httpx import time start_time = time.time() async def fetch_pokemon(client, url): response = await client.get(url) return response.json()['name'] async def main(): async with httpx.AsyncClient() as client: tasks = [asyncio.ensure_future(fetch_pokemon(client, f'https://pokeapi.co/api/v2/pokemon/{number}')) for number in range(1, 151)] pokemon_names = await asyncio.gather(*tasks) for name in pokemon_names: print(name) asyncio.run(main()) print(f"--- {time.time() - start_time:.2f} seconds ---")
Ini mengurangkan masa pelaksanaan dengan ketara dengan menjalankan permintaan secara serentak. Jumlah masa menghampiri tempoh permintaan tunggal terpanjang.
Kesimpulan
Menggunakan HTTPX
dan pengaturcaraan tak segerak meningkatkan prestasi secara dramatik untuk berbilang permintaan HTTP. Tutorial ini menyediakan pengenalan asas kepada asyncio
; terokai lagi keupayaannya untuk mempertingkatkan projek Python anda. Pertimbangkan untuk meneroka aiohttp
untuk pengendalian permintaan HTTP tak segerak alternatif.
Atas ialah kandungan terperinci Permintaan HTTP Asynchronous dalam Python dengan HTTPX dan asyncio. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Python lebih mudah dipelajari dan digunakan, manakala C lebih kuat tetapi kompleks. 1. Sintaks Python adalah ringkas dan sesuai untuk pemula. Penaipan dinamik dan pengurusan memori automatik menjadikannya mudah digunakan, tetapi boleh menyebabkan kesilapan runtime. 2.C menyediakan kawalan peringkat rendah dan ciri-ciri canggih, sesuai untuk aplikasi berprestasi tinggi, tetapi mempunyai ambang pembelajaran yang tinggi dan memerlukan memori manual dan pengurusan keselamatan jenis.

Python dan C mempunyai perbezaan yang signifikan dalam pengurusan dan kawalan memori. 1. Python menggunakan pengurusan memori automatik, berdasarkan pengiraan rujukan dan pengumpulan sampah, memudahkan kerja pengaturcara. 2.C memerlukan pengurusan memori manual, memberikan lebih banyak kawalan tetapi meningkatkan risiko kerumitan dan kesilapan. Bahasa mana yang harus dipilih harus berdasarkan keperluan projek dan timbunan teknologi pasukan.

Aplikasi Python dalam pengkomputeran saintifik termasuk analisis data, pembelajaran mesin, simulasi berangka dan visualisasi. 1.Numpy menyediakan susunan pelbagai dimensi yang cekap dan fungsi matematik. 2. Scipy memanjangkan fungsi numpy dan menyediakan pengoptimuman dan alat algebra linear. 3. Pandas digunakan untuk pemprosesan dan analisis data. 4.Matplotlib digunakan untuk menghasilkan pelbagai graf dan hasil visual.

Sama ada untuk memilih Python atau C bergantung kepada keperluan projek: 1) Python sesuai untuk pembangunan pesat, sains data, dan skrip kerana sintaks ringkas dan perpustakaan yang kaya; 2) C sesuai untuk senario yang memerlukan prestasi tinggi dan kawalan asas, seperti pengaturcaraan sistem dan pembangunan permainan, kerana kompilasi dan pengurusan memori manualnya.

Python digunakan secara meluas dalam sains data dan pembelajaran mesin, terutamanya bergantung pada kesederhanaannya dan ekosistem perpustakaan yang kuat. 1) PANDAS digunakan untuk pemprosesan dan analisis data, 2) Numpy menyediakan pengiraan berangka yang cekap, dan 3) SCIKIT-Learn digunakan untuk pembinaan dan pengoptimuman model pembelajaran mesin, perpustakaan ini menjadikan Python alat yang ideal untuk sains data dan pembelajaran mesin.

Adakah cukup untuk belajar Python selama dua jam sehari? Ia bergantung pada matlamat dan kaedah pembelajaran anda. 1) Membangunkan pelan pembelajaran yang jelas, 2) Pilih sumber dan kaedah pembelajaran yang sesuai, 3) mengamalkan dan mengkaji semula dan menyatukan amalan tangan dan mengkaji semula dan menyatukan, dan anda secara beransur-ansur boleh menguasai pengetahuan asas dan fungsi lanjutan Python dalam tempoh ini.

Aplikasi utama Python dalam pembangunan web termasuk penggunaan kerangka Django dan Flask, pembangunan API, analisis data dan visualisasi, pembelajaran mesin dan AI, dan pengoptimuman prestasi. 1. Rangka Kerja Django dan Flask: Django sesuai untuk perkembangan pesat aplikasi kompleks, dan Flask sesuai untuk projek kecil atau sangat disesuaikan. 2. Pembangunan API: Gunakan Flask atau DjangorestFramework untuk membina Restfulapi. 3. Analisis Data dan Visualisasi: Gunakan Python untuk memproses data dan memaparkannya melalui antara muka web. 4. Pembelajaran Mesin dan AI: Python digunakan untuk membina aplikasi web pintar. 5. Pengoptimuman Prestasi: Dioptimumkan melalui pengaturcaraan, caching dan kod tak segerak

Python lebih baik daripada C dalam kecekapan pembangunan, tetapi C lebih tinggi dalam prestasi pelaksanaan. 1. Sintaks ringkas Python dan perpustakaan yang kaya meningkatkan kecekapan pembangunan. 2. Ciri-ciri jenis kompilasi dan kawalan perkakasan meningkatkan prestasi pelaksanaan. Apabila membuat pilihan, anda perlu menimbang kelajuan pembangunan dan kecekapan pelaksanaan berdasarkan keperluan projek.


Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

MantisBT
Mantis ialah alat pengesan kecacatan berasaskan web yang mudah digunakan yang direka untuk membantu dalam pengesanan kecacatan produk. Ia memerlukan PHP, MySQL dan pelayan web. Lihat perkhidmatan demo dan pengehosan kami.

SublimeText3 Linux versi baharu
SublimeText3 Linux versi terkini

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Muat turun versi mac editor Atom
Editor sumber terbuka yang paling popular

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)