一、为什么需要协程
在回答这个问题之前，我们先回顾一下同步和异步的概念。
同步：就是发出一个调用时，在没有得到结果之前，该调用就不返回，调用者需要一致等待该调用结束，才能进行下一步工作。
异步：调用在发出去后，不等待结果，直接进行下一步工作，当结果出来后通过状态来通知调用者继续回来处理该调用。
我们先使用普通同步代码实现多个IO任务的案例
# 普通同步代码实现多个IO任务
import time
def taskIO_1():
print('开始运行IO任务1...')
time.sleep(2) # 假设该任务耗时2s
print('IO任务1已完成，耗时2s')
def taskIO_2():
print('开始运行IO任务2...')
time.sleep(3) # 假设该任务耗时3s
print('IO任务2已完成，耗时3s')
start = time.time()
taskIO_1()
taskIO_2()
print('所有IO任务总耗时%.5f秒' % float(time.time()-start))
执行结果：
开始运行IO任务1...
IO任务1已完成，耗时2s
开始运行IO任务2...
IO任务2已完成，耗时3s
所有IO任务总耗时5.00604秒
如上，实现两个同步IO任务，总耗时是两个IO任务的时间之和5秒。当CPU运算完毕，如果再闲置很长时间去等待IO完成才能进行下一个任务，这样的任务执行效率很低。
所以我们需要有一种异步的方式处理上述任务。步骤就是在上述IO任务执行前终端当前IO任务，进行下一个任务，当该IO任务完成后再唤醒该任务。
而python中生成器的关键词 yiled 就可以实现中断共嗯那个。所以起初，协程是基于生成器的变形进行实现的。
二、使用yield from 和@asyncio.coroutine 实现协程
1、什么是yield from?和yield有什么区别?
我们都知道，yield 在生成器中有中断的功能，可以传出值，也可以从函数外部接收值，而yield from就是简化了yield的操作。
先看个案例：
def generator_1(titles):
yield titles
def generator_2(titles):
yield from titles
titles = ['Python','Java','C++']
for title in generator_1(titles):
print('生成器1:',title)
for title in generator_2(titles):
print('生成器2:',title)
执行结果：
生成器1: ['Python', 'Java', 'C++']
生成器2: Python
生成器2: Java
生成器2: C++
这个例子中，yield titles返回了titles完成的列表，而yield from titles等价于：
for title in titles: # 等价于yield from titles
yield title
同时yield from 内部已经实现了大部分的异常处理。
【举个例子】：下面通过生成器来实现一个整数加和的程序，通过send()函数向生成器中传入要加和的数字，然后最后以返回None结束，total保存最后加和的总数。
def generator_1():
total = 0
while True:
x = yield
print('加',x)
if not x:
break
total += x
return total
def generator_2(): # 委托生成器
while True:
total = yield from generator_1() # 子生成器
print('加和总数是:',total)
def main(): # 调用方
g1 = generator_1()
g1.send(None)
g1.send(2)
g1.send(3)
g1.send(None)
# g2 = generator_2()
# g2.send(None)
# g2.send(2)
# g2.send(3)
# g2.send(None)
main()
执行结果，可见对于生成器g1，最后传入None后，程序退出，报StopIteration异常并返回了最后total值是５。
加 2
加 3
加 None
------------------------------------------
StopIteration
<ipython-input-37-cf298490352b> in main()
---> 19 g1.send(None)
StopIteration: 5
如果把g1.send()那５行注释掉，解注下面的g2.send()代码，则结果如下。可见yield from封装了处理常见异常的代码。对于g2即便传入None也不报异常，其中total = yield from generator_1()返回给total的值是generator_1()最终的return total
加 2
加 3
加 None
加和总数是: 5
借上面的例子，几个重要的概念
- 子生成器： yield from后的generator_1()生成器函数是子生成器
- 委托生成器：generator_2()是程序中的委托生成器，它负责委托子生成器完成具体任务。
- 调用方：main()是程序中的调用方，负责调用委托生成器。
- 在上述代码中main()每一次在调用send(value)时，value不是传递给了委托生成器generator_2()，而是借助yield from传递给了子生成器generator_1()中的yield
- 同理，子生成器中的数据也是通过yield直接发送到调用方main()中。
之后我们的代码都是依据 调用方 - 委托生成器 - 子生成器的规范形式书写，
2、结合@asyncio.coroutine实现协程
上面那个同步IO任务的代码中，修改成协程的用法如下：
# 使用同步方式编写异步功能
import time
import asyncio
@asyncio.coroutine # 标志协程的装饰器
def taskIO_1():
print('开始运行IO任务1...')
yield from asyncio.sleep(2) # 假设该任务耗时2s
print('IO任务1已完成，耗时2s')
@asyncio.coroutine # 标志协程的装饰器
def taskIO_2():
print('开始运行IO任务2...')
yield from asyncio.sleep(3) # 假设该任务耗时3s
print('IO任务2已完成，耗时3s')
@asyncio.coroutine # 标志协程的装饰器
def main(): # 调用方
tasks = [taskIO_1(), taskIO_2()] # 把所有任务添加到task中
done,pending = yield from asyncio.wait(tasks) # 子生成器
for r in done: # done和pending都是一个任务，所以返回结果需要逐个调用result()
print('协程无序返回值：'+r.result())
if __name__ == '__main__':
start = time.time()
loop = asyncio.get_event_loop() # 创建一个事件循环对象loop
try:
loop.run_until_complete(main()) # 完成事件循环，直到最后一个任务结束
finally:
loop.close() # 结束事件循环
print('所有IO任务总耗时%.5f秒' % float(time.time()-start))
执行结果：
开始运行IO任务1...
开始运行IO任务2...
IO任务1已完成，耗时2s
IO任务2已完成，耗时3s
协程无序返回值：taskIO_2
协程无序返回值：taskIO_1
所有IO任务总耗时3.00209秒
使用方法： @asyncio.coroutine装饰器是协程函数的标志，我们需要在每一个任务函数前加这个装饰器，并在函数中使用yield from。在同步IO任务的代码中使用的time.sleep(2)来假设任务执行了2秒。但在协程中yield from后面必须是子生成器函数，而time.sleep()并不是生成器，所以这里需要使用内置模块提供的生成器函数asyncio.sleep()。
功能：通过使用协程，极大增加了多任务执行效率，最后消耗的时间是任务队列中耗时最多的时间。上述例子中的总耗时3秒就是taskIO_2()的耗时时间。
执行过程：
1. 上面代码先通过get_event_loop()获取了一个标准事件循环loop(因为是一个，所以协程是单线程)
2. 然后，我们通过run_until_complete(main())来运行协程(此处把调用方协程main()作为参数，调用方负责调用其他委托生成器)，run_until_complete的特点就像该函数的名字，直到循环事件的所有事件都处理完才能完整结束。
3. 进入调用方协程，我们把多个任务[taskIO_1()和taskIO_2()]放到一个task列表中，可理解为打包任务。
4. 现在，我们使用asyncio.wait(tasks)来获取一个awaitable objects即可等待对象的集合(此处的aws是协程的列表)，并发运行传入的aws，同时通过yield from返回一个包含(done, pending)的元组，done表示已完成的任务列表，pending表示未完成的任务列表；如果使用asyncio.as_completed(tasks)则会按完成顺序生成协程的迭代器(常用于for循环中)，因此当你用它迭代时，会尽快得到每个可用的结果。【此外，当轮询到某个事件时(如taskIO_1())，直到遇到该任务中的yield from中断，开始处理下一个事件(如taskIO_2()))，当yield from后面的子生成器完成任务时，该事件才再次被唤醒】
5. 因为done里面有我们需要的返回结果，但它目前还是个任务列表，所以要取出返回的结果值，我们遍历它并逐个调用result()取出结果即可。(注：对于asyncio.wait()和asyncio.as_completed()返回的结果均是先完成的任务结果排在前面，所以此时打印出的结果不一定和原始顺序相同，但使用gather()的话可以得到原始顺序的结果集)
6. 最后我们通过loop.close()关闭事件循环。
综上所述：协程的完整实现是靠①事件循环＋②协程。
三、使用async 和await 实现协程
在python3.4中使用yield from和@asyncio.coroutine实现协程。
在python3.5开始引入了新的语法 async + await，以简化更好的标识异步IO。
要使用新的语法，只需要两步简单的替换。
- 把
@asyncio.coroutine替换为async； - 把
yield from替换为await。
更改上面的代码，可以得到同样的结果：
import time
import asyncio
async def taskIO_1():
print('开始运行IO任务1...')
await asyncio.sleep(2) # 假设该任务耗时2s
print('IO任务1已完成，耗时2s')
return taskIO_1.__name__
async def taskIO_2():
print('开始运行IO任务2...')
await asyncio.sleep(3) # 假设该任务耗时3s
print('IO任务2已完成，耗时3s')
return taskIO_2.__name__
async def main(): # 调用方
tasks = [taskIO_1(), taskIO_2()] # 把所有任务添加到task中
done,pending = await asyncio.wait(tasks) # 子生成器
for r in done: # done和pending都是一个任务，所以返回结果需要逐个调用result()
print('协程无序返回值：'+r.result())
if __name__ == '__main__':
start = time.time()
loop = asyncio.get_event_loop() # 创建一个事件循环对象loop
try:
loop.run_until_complete(main()) # 完成事件循环，直到最后一个任务结束
finally:
loop.close() # 结束事件循环
print('所有IO任务总耗时%.5f秒' % float(time.time()-start))
四、总结
最后将整个过程串一遍：
【引出问题】：
- 同步编程的并发性不高
- 多进程编程效率受CPU核数限制，当任务数量远大于CPU核数时，执行效率会降低。
- 多线程编程需要线程之间的通信，而且需要锁机制来防止共享变量被不同线程乱改，而且由于Python中的GIL(全局解释器锁)，所以实际上也无法做到真正的并行。
【产生需求】：
- 可不可以采用同步的方式来编写异步功能代码？
- 能不能只用一个单线程就能做到不同任务间的切换？这样就没有了线程切换的时间消耗，也不用使用锁机制来削弱多任务并发效率！
- 对于IO密集型任务，可否有更高的处理方式来节省CPU等待时间？
【结果】：
所以协程应运而生。当然，实现协程还有其他方式和函数，以上仅展示了一种较为常见的实现方式。此外，多进程和多线程是内核级别的程序，而协程是函数级别的程序，是可以通过程序员进行调用的。以下是协程特性的总结：
| 协程 | 属性 |
|---|---|
| 所需线程 | 单线程（因为仅定义一个loop，所有event均在一个loop中） |
| 编程方式 | 同步 |
| 实现效果 | 异步 |
| 是否需要锁机制 | 否 |
| 程序级别 | 函数级 |
| 实现机制 | 事件循环+协程 |
| 总耗时 | 最耗时事件的时间 |
| 应用场景 | IO密集型任务等 |