Підбірка відео по конкурентності:

Асинхронний Пайтон за 5 хвилин / Python - AsyncIO
Введення у Асинхронне Програмування - Процеси, Потоки, GIL та Asyncio
Основи роботи з Процесами та Потоками у Пайтоні

#asyncio

На жаль в багатьох відео пояснення асинхронки у python якесь не дуже (у тому числі у відео що я привів вище). Чомусь багато авторів лізуть під капот діставати генератори, які не дуже й то пояснюють основну суть.
На мою думку варто більше акцентувати свою увагу на розумінні IO-bound та CPU-bound задачах.
Також важливі моменти asyncio.gather та asyncio.wait, asyncio.wait_for які як раз дають змогу
отримувати виграш у часі виконання програми за рахунок IO-bound.

#asyncio

I/O-bound задача (Input/Output bound — задача, обмежена вводом-виводом) — це тип задач у програмуванні, під час виконання яких процесор більшість часу простоює в очікуванні, поки завершиться зовнішня операція.

У таких задачах швидкість виконання програми залежить не від потужності процесора (CPU), а від швидкості зовнішніх систем чи пристроїв.

До I/O-bound можна віднести:
1. Роботу з мережею (у тому числі HTTP-запити та роботу з БД).
2. Роботу з пристроями (наприклад, роботу через serial port).
3. Роботу з файлами.

Операційна система надає спеціальний набір функцій для асинхронної роботи, які зазвичай називають неблокуючими (non-blocking). Python будує над ними свою обгортку яка підтримує синтаксис async/await

#asyncio

Бібліотеки httpx і curl_cffi (на відміну від requests) надають як синхроний так і асинхронний інтерфейси:

import httpx

def main():
    with httpx.Client() as client:
        response = client.get("https://httpbin.org/get")
        print(response.status_code)

main()

import asyncio
import httpx

async def main():
    async with httpx.AsyncClient() as client:
        response = await client.get("https://httpbin.org/get")
        print(response.status_code)

asyncio.run(main())

За виключенням синтаксису async/await і запуску через asyncio.run різниці немає.
І що варто підкреслити не має виграшу у часі виконання.
Обидва приклади відправляють HTTP запит на сервер, а потім чекають від нього відповіді.

#asyncio

Виграшу у часі виконання.

За рахунок неблокуючих операцій ми можемо відправити запит на сервер, але не чекати відповіді - робити іншу задачу.

async with httpx.AsyncClient() as client:    
  task = asyncio.create_task(
       client.get("https://example.com/")
  )
       
  # поки запит обробляється, ми   
  # не чекаємо відповіді, а робимо іншу задачу
  # наприклад інший запит або якісь обчислення 
             
  # тут пізніше отримуємо відповідь
  response = await task 
  print(response.status_code)   

#asyncio #create_task

Виграш у часі виконання за рахунок одночасного очікування відповідей. asyncio.gather

import time
import asyncio
import httpx

# Ключ від безкоштовного апі https://app.reqres.in     
API_KEY = "free_user_****************"    
    
async def main():    
    async with httpx.AsyncClient() as client:
        client.headers["x-api-key"] = API_KEY
    
        start = time.monotonic()

        responses = await asyncio.gather(
            client.get("https://reqres.in/api/users?delay=1"), # запит 1с
            client.get("https://reqres.in/api/users?delay=3"), # запит 3с
            client.get("https://reqres.in/api/users?delay=2"), # запит 2с
        )    
    
        print(f"Elapsed: {time.monotonic() - start:.2f} s")
        print("Status codes: ", [r.status_code for r in responses])
    
       
if __name__ == "__main__":
    asyncio.run(main())

Вивід:

Elapsed: 3.30 s
Status codes: [200, 200, 200]

API app.reqres.in дозволяє задати час відповіді для кожного запиту (1, 3 та 2 с). Це дає можливість побачити перевагу асинхронності, коли запити виконуються групою й відповіді очікуються одночасно.
Якби ми робили запити послідовно, час виконання становив би 1 + 3 + 2 = ~6 с. Проте завдяки асинхронності ми досягли результату ~3,3 с, що співмірне з часом найдовшого запиту.

#asyncio #gather

#asyncio #gather