转自：http://www.binss.me/blog/analyse-the-implement-of-coroutine-in-tornado/
什么是协程
以下是Wiki的定义：
Coroutines are computer program components that generalize subroutines for nonpreemptive multitasking, by allowing multiple entry points for suspending and resuming execution at certain locations. Coroutines are well-suited for implementing more familiar program components such as cooperative tasks, exceptions, event loop, iterators, infinite lists and pipes.
我们经常使用的函数又称子例程(subroutine)，往往只有一个入口（函数的第一行），一个出口（return、抛出异常）。子例程在入口时获得控制权，在出口时把控制权交还给调用者。一旦交还控制权，就意味着例程的结束，函数中做的所有工作以及保存在局部变量中的数据都将被释放。而协程可以有多个入口点，允许从一个入口点执行到下一个入口点之前暂停，保存执行状态；等到合适的时机恢复执行状态，从下一个入口点重新开始执行。
"Subroutines are special cases of ... coroutines." –Donald Knuth.
可以把协程看做是子例程的泛化形式。
在Python中，协程基于生成器。它可以有多个出口和入口。出口有两种类型：一种是return，用于永久交还控制权，效果同子例程；另一种是yield，用于暂时交还控制权，函数将来还会收回控制权。当然入口也有两种：一种是函数的第一行；另一种是上次yield的那一行。
本文在《Python中的迭代器和生成器》一文的基础上，通过对Tornado框架中的协程的分析，进行协程的学习。
Tornado中的协程
Tornado典型的协程例子：
| class GenAsyncHandler(RequestHandler): | |
| @gen.coroutine | |
| def get(self): | |
| http_client = AsyncHTTPClient() | |
| response = yield http_client.fetch("http://example.com") | |
| do_something_with_response(response) | |
| self.render("template.html") |
我们为这个Handler的get()添加了装饰器gen.coroutine，从而使其成为一个协程。不难理解，面对耗时的操作，利用协程可以达到异步的效果，需要等待的时候yield出去，等待结束后重新回来继续执行。如例子中get需要等待http_client.fetch("http://example.com")的结果，因此通过yield返回；当获取到结果后，get函数从上次离开处继续运行，且response被赋值为http_client.fetch("http://example.com")的结果。
这主要涉及到以下几样东西：
-
Future
Future的设计目标是作为协程(coroutine)和IOLoop的媒介，从而将协程和IOLoop关联起来。
Future在concurrent.py中定义，是异步操作结果的占位符，用于等待结果返回。通常作为函数IOLoop.add_future()的参数或gen.coroutine协程中yield的返回值。
等到结果返回时，外部可以通过调用set_result()设置真正的结果，然后调用所有回调函数，恢复协程的执行。
-
IOLoop
IOLoop是一个I/O事件循环，用于调度socket相关的连接、响应、异步读写等网络事件，并支持在事件循环中添加回调(callback)和定时回调(timeout)。在支持的平台上，默认使用epoll进行I/O多路复用处理。
IOLoop是Tornado的核心，绝大部分模块都依赖于IOLoop的调度。在协程运行环境中，IOLoop担任着协程调度器的角色，能够让暂停的协程重新获得控制权，从而能继续执行。
IOLoop通过add_future()对Future的支持：
def add_future(self, future, callback): assert is_future(future) callback = stack_context.wrap(callback) future.add_done_callback(lambda future: self.add_callback(callback, future)) 通过调用future的add_done_callback()，使当future在操作完成时，能够通过add_callback将callback添加到IOLoop中，让callback在IOLoop下一次迭代中执行(不在本轮是为了避免饿死)。
-
Runner
Runner和coroutine都在gen.py中定义。Runner由coroutine装饰器创建，用于维护挂起的回调函数及结果的相关信息，包括中间结果(future)和最终结果(result_future)。
-
coroutine
gen.coroutine是一个装饰器，负责将普通函数包装成协程。功能包括：
-
调用函数，如果该函数有yield，则返回生成器。否则立即得到结果，不属于协程。
-
通过next()执行生成器，如果未能结束(遇到yield)，则生成中间类Runner对象，用于保存生成器、yield返回值和最终返回值。
-
创建Runner。
-
结合以上几样东西，协程的具体流程整理如下：
每一次协程调用yield释放控制权后：
| －> [Runner]handle_yield | |
| 处理yield返回的结果 | |
| -> [Runner]ioloop.add_future(self.future, lambda f: self.run()) | |
| 将结果构造成future后添加到ioloop | |
| -> [future]add_done_callback(lambda future: self.add_callback(callback, future)) | |
| 将Runner.run()加入到完成时的回调函数列表中 |
???触发：
| -> [future]set_result | |
| 已经得到future的结果，设置之 | |
| -> [future]_set_done | |
| 调用future所有回调函数(_callbacks) | |
| -> [ioloop]add_callback(callback, future) | |
| callback为[Runner]add_future添加的那个，即[Runner]self.run()，将在下一轮循环被执行 | |
| -> [Runner]self.run() | |
| 取出Runner的self.future(上次yield的返回值)： | |
| 1. 如果future未完成，return，流程结束，等待下一次set_result | |
| 2. 如果future完成 | |
| -> [Runner]yielded = self.gen.send(value) | |
| 通过send把future的result发送给协程，并让其恢复执行： | |
| 1. 如果协程结束(没yield了) | |
| -> [Runner]self.result_future.set_result | |
| 设置最终的结果result_future | |
| 2. 未结束(再次遇到yield) | |
| -> [Runner]handle_yield | |
| 则再次调用handle_yield |
从以上的流程可以看出，每一次协程调用yield释放控制权后的恢复，都依赖于set_result()的调用。当我们把目光看向总调度IOLoop时，可以发现IOLoop只是忠实地在每一轮迭代中调用那些就绪的回调函数，并没有主动调用set_result()的能力。
那么，在Tornado中，这个set_result()到底是谁调用？在何时调用？
搜遍了Tornado的代码，主要找到以下几个调用点：
-
在coroutine装饰器中，如果装饰的函数调用后直接结束(没yield)，直接set_result()。
-
在[Runner]的run()中，如果调用send后协程结束，对result_future进行set_result()。
-
取决于yield后阻塞操作的具体实现，下面以例子中AsyncHTTPClient的fetch()来进行分析。
AsyncHTTPClient的fetch()是一个异步操作，其构造了一个HTTP请求，然后调用fetch_impl()，返回一个future。fetch_impl()取决于AsyncHTTPClient的具体实现，默认情况下，AsyncHTTPClient生成的是子类SimpleAsyncHTTPClient的实例，所以主要看SimpleAsyncHTTPClient的fetch_impl()：
| def fetch_impl(self, request, callback): | |
| key = object() | |
| self.queue.append((key, request, callback)) | |
| if not len(self.active) < self.max_clients: | |
| timeout_handle = self.io_loop.add_timeout( | |
| self.io_loop.time() + min(request.connect_timeout, | |
| request.request_timeout), | |
| functools.partial(self._on_timeout, key)) | |
| else: | |
| timeout_handle = None | |
| self.waiting[key] = (request, callback, timeout_handle) | |
| self._process_queue() | |
| if self.queue: | |
| gen_log.debug("max_clients limit reached, request queued. " | |
| "%d active, %d queued requests." % (len(self.active), len(self.queue))) |
fetch_impl()接受两个参数，request为fetch()中构造的HTTP请求，callback为fetch中的回调函数handle_response：
| def handle_response(response): | |
| if raise_error and response.error: | |
| future.set_exception(response.error) | |
| else: | |
| future.set_result(response) |
在handle_response()中，调用了我们期待的set_result()。所以我们把目光转移到fetch_impl()的callback。在fetch_impl()中，函数先将callback加到队列中，然后通过_process_queue()处理掉，处理时调用_handle_request()：
| def _handle_request(self, request, release_callback, final_callback): | |
| self._connection_class()( | |
| self.io_loop, self, request, release_callback, | |
| final_callback, self.max_buffer_size, self.tcp_client, | |
| self.max_header_size, self.max_body_size) |
这里构造了一个_connection_class对象，即HTTPConnection。HTTPConnection通过self.tcp_client.connect()来建立TCP连接，然后通过该连接发送HTTP请求， 在超时(timeout)或完成(finish)时调用callback。tcp_client在建立异步TCP连接时，先进行DNS解析(又是协程)，然后建立socket来构造IOStream对象，最后调用IOStream.connect()。在IOStream.connect()的过程中，我们看到了关键操作：
| self.io_loop.add_handler(self.fileno(), self._handle_events, self._state) |
还记得我们前面说过的IOLoop吗？IOLoop可以添加socket、callback和timeout，并当它们就绪时调用相应的回调函数。这里add_handler处理的就是socket的多路复用，默认的实现是epoll。当epoll中该socket就绪时，相关函数得以回调。于是tcp_client读取socket内容获得HTTP response，handle_response()被调用，最终set_result()被调用。
到这里我们恍然大悟，AsyncHTTPClient的set_result()调用依赖于IO多路复用方案，这里是epoll，在epoll中相应socket的就绪的是set_result()得到调用的根本原因。而这个就绪事件的传递，离不开Tornado内建的IOStream，异步TCPClient、异步HTTPConnection，这些类的存在为我们隐藏了简单调用后的复杂性。因此当我们在用yield返回耗时操作时，如果不是Tornado的内建组件，则必须自己负责设计set_result的方案，比如以下代码：
| @gen.coroutine | |
| def add(self, a, b): | |
| future = Future() | |
| def callback(a, b): | |
| print("calculating the sum of %d + %d:" % (a,b)) | |
| future.set_result(a+b) | |
| tornado.ioloop.IOLoop.instance().add_callback(callback, a, b) | |
| result = yield future | |
| print("%d + %d = %d" % (a, b, result)) |
通过手动将包含set_result()的回调函数加到IOLoop中，于是回调下一次迭代中执行，set_result()被调用，协程恢复控制权。
总结
实现高性能服务端，同步多进程、多线程风靡一时，然而由于其需要在内核态进行上下文切换，同步时还要加锁，导致并发性能低下。于是异步冒出来了，如Session、状态机，当然还有本文讨论的协程。
学习协程，主要的原因是在看SS代码中深受状态机代码的折磨(为啥要看SS的代码？你懂的)。因为在状态机中，逻辑代码被分割成多块分散在N个回调里(各种on_xxxxx)，割裂了人的顺序性思维，在阅读代码、理解逻辑时跳来跳去令人痛不欲生。反观协程，真正做到了同步编码异步执行。
然而深挖协程的实现发现，协程的高性能和易编写易阅读是以后端框架复杂的封装为代价的。即使是在Python中我们拥有能够维护上下文的生成器，为了实现协程的调度，Tornado依然耗费了不少功夫：从定义Future对象用于等待结果返回，到使用coroutine装饰器将生成器的yield返回值封装成Runner，最后到set_result让Runner重新跑起来，而这些都依赖于IOLoop的调度。在经过层层跳转后达成了协程的调度目的，不得不感慨Tornado设计的巧妙。
不管怎么说，对于我等码农来说，协程代码写起来真的爽，读起来也也很爽，可以少死很多脑细胞，这就够了。