Python asyncio на практиці: реальні вимірювання
Python — мова, найбільш схожа на PHP за моделлю виконання: інтерпретована, однопотокова (GIL), з домінуванням синхронних фреймворків. Перехід від синхронного Python (Flask, Django + Gunicorn) до асинхронного (FastAPI, aiohttp, Starlette + Uvicorn) — це точна аналогія переходу від PHP-FPM до корутинного середовища виконання.
Нижче наведено збірку продакшн-кейсів, незалежних бенчмарків та вимірювань.
1. Продакшн: Duolingo — міграція на Async Python (+40% пропускної здатності)
Duolingo — найбільша платформа для вивчення мов (500M+ користувачів). Бекенд написаний на Python.
У 2025 році команда розпочала систематичну міграцію сервісів із синхронного Python на асинхронний.
| Метрика | Результат |
|---|---|
| Пропускна здатність на інстанс | +40% |
| Економія на AWS EC2 | ~30% на мігрований сервіс |
Автори зазначають, що після побудови асинхронної інфраструктури міграція окремих сервісів виявилася «досить простою».
Джерело: How We Started Our Async Python Migration (Duolingo Blog, 2025)
2. Продакшн: Super.com — зниження витрат на 90%
Super.com (раніше Snaptravel) — сервіс пошуку готелів та знижок. Їхній пошуковий рушій обробляє 1 000+ req/s, приймає 1 ТБ+ даних на день та обробляє $1M+ продажів щодня.
Ключова характеристика навантаження: кожен запит виконує 40+ мережевих викликів до сторонніх API. Це чистий I/O-bound профіль — ідеальний кандидат для корутин.
Команда мігрувала з Flask (синхронний, AWS Lambda) на Quart (ASGI, EC2).
| Метрика | Flask (Lambda) | Quart (ASGI) | Зміна |
|---|---|---|---|
| Витрати на інфраструктуру | ~$1,000/день | ~$50/день | −90% |
| Пропускна здатність | ~150 req/s | 300+ req/s | 2x |
| Помилки у пікові години | Базовий рівень | −95% | −95% |
| Затримка | Базовий рівень | −50% | 2x швидше |
Економія $950/день × 365 = ~$350 000/рік на одному сервісі.
Джерело: How we optimized service performance using Quart ASGI and reduced costs by 90% (Super.com, Medium)
3. Продакшн: Instagram — asyncio на масштабі 500M DAU
Instagram обслуговує 500+ мільйонів щоденних активних користувачів на бекенді Django.
Jimmy Lai (інженер Instagram) описав міграцію на asyncio у доповіді на PyCon Taiwan 2018:
- Замінили
requestsнаaiohttpдля HTTP-викликів - Мігрували внутрішній RPC на
asyncio - Досягли покращення продуктивності API та зменшення простою CPU
Виклики: високе навантаження asyncio на CPU на масштабі Instagram, необхідність автоматизованого виявлення блокуючих викликів через статичний аналіз коду.
Джерело: The journey of asyncio adoption in Instagram (PyCon Taiwan 2018)
4. Продакшн: Feature Store — від потоків до asyncio (−40% затримки)
Сервіс Feature Store мігрував з багатопоточності Python на asyncio.
| Метрика | Потоки | Asyncio | Зміна |
|---|---|---|---|
| Затримка | Базовий рівень | −40% | −40% |
| Споживання RAM | 18 ГБ (сотні потоків) | Значно менше | Суттєве зменшення |
Міграція виконувалася у три фази з розподілом продакшн-трафіку 50/50 для валідації.
Джерело: How We Migrated from Python Multithreading to Asyncio (Medium)
5. Продакшн: Talk Python — Flask до Quart (−81% затримки)
Talk Python — один з найбільших подкастів та навчальних платформ Python. Автор (Michael Kennedy) переписав сайт з Flask (синхронний) на Quart (асинхронний Flask).
| Метрика | Flask | Quart | Зміна |
|---|---|---|---|
| Час відповіді (приклад) | 42 мс | 8 мс | −81% |
| Помилки після міграції | — | 2 | Мінімально |
Автор зазначає: під час навантажувального тестування максимальний req/s відрізнявся несуттєво, оскільки запити до MongoDB займали <1 мс. Виграш проявляється при одночасній обробці запитів — коли кілька клієнтів звертаються до сервера одночасно.
Джерело: Talk Python rewritten in Quart (async Flask)
6. Microsoft Azure Functions — uvloop як стандарт
Microsoft включив uvloop — швидкий цикл подій на базі libuv — як стандартний для Azure Functions на Python 3.13+.
| Тест | Стандартний asyncio | uvloop | Покращення |
|---|---|---|---|
| 10K запитів, 50 VU (локально) | 515 req/s | 565 req/s | +10% |
| 5 хв, 100 VU (Azure) | 1 898 req/s | 1 961 req/s | +3% |
| 500 VU (локально) | 720 req/s | 772 req/s | +7% |
Стандартний цикл подій при 500 VU показав ~2% втрат запитів. uvloop — нуль помилок.
Джерело: Faster Python on Azure Functions with uvloop (Microsoft, 2025)
7. Бенчмарк: I/O-bound задачі — asyncio у 130 разів швидше
Пряме порівняння моделей конкурентності на задачі завантаження 10 000 URL:
| Модель | Час | Пропускна здатність | Помилки |
|---|---|---|---|
| Синхронна | ~1 800 с | ~11 КБ/с | — |
| Потоки (100) | ~85 с | ~238 КБ/с | Низький |
| Asyncio | 14 с | 1 435 КБ/с | 0,06% |
Asyncio: у 130 разів швидше за синхронний код, у 6 разів швидше за потоки.
Для CPU-bound задач asyncio не дає переваг (ідентичний час, +44% споживання пам'яті).
Джерело: Python Concurrency Model Comparison (Medium, 2025)
8. Бенчмарк: uvloop — швидше за Go та Node.js
uvloop — це заміна стандартного циклу подій asyncio, написана на Cython поверх libuv (тієї ж бібліотеки, що лежить в основі Node.js).
TCP echo-сервер:
| Реалізація | 1 KiB (req/s) | 100 KiB пропускна здатність |
|---|---|---|
| uvloop | 105 459 | 2,3 ГіБ/с |
| Go | 103 264 | — |
| Стандартний asyncio | 41 420 | — |
| Node.js | 44 055 | — |
HTTP-сервер (300 одночасних підключень):
| Реалізація | 1 KiB (req/s) |
|---|---|
| uvloop + httptools | 37 866 |
| Node.js | Нижче |
uvloop: у 2,5 рази швидше за стандартний asyncio, у 2 рази швидше за Node.js, на рівні з Go.
Джерело: uvloop: Blazing fast Python networking (MagicStack)
9. Бенчмарк: aiohttp проти requests — 10x на одночасних запитах
| Бібліотека | req/s (одночасних) | Тип |
|---|---|---|
| aiohttp | 241+ | Async |
| HTTPX (async) | ~160 | Async |
| Requests | ~24 | Sync |
aiohttp: у 10 разів швидше за Requests для одночасних HTTP-запитів.
Джерело: HTTPX vs Requests vs AIOHTTP (Oxylabs)
10. Контраргумент: Cal Paterson — «Async Python не швидший»
Важливо навести й контраргументи. Cal Paterson провів ретельний бенчмарк з реальною базою даних (PostgreSQL, випадковий вибір рядка + JSON):
| Фреймворк | Тип | req/s | P99 затримка |
|---|---|---|---|
| Gunicorn + Meinheld/Bottle | Sync | 5 780 | 32 мс |
| Gunicorn + Meinheld/Falcon | Sync | 5 589 | 31 мс |
| Uvicorn + Starlette | Async | 4 952 | 75 мс |
| Sanic | Async | 4 687 | 85 мс |
| AIOHTTP | Async | 4 501 | 76 мс |
Результат: синхронні фреймворки з C-серверами показали вищу пропускну здатність та у 2–3 рази кращу хвостову затримку (P99).
Чому async програв?
Причини:
- Один SQL-запит на HTTP-запит — занадто мало I/O, щоб конкурентність корутин мала ефект.
- Кооперативна багатозадачність із CPU-роботою між запитами створює «нечесний» розподіл процесорного часу — довгі обчислення блокують цикл подій для всіх.
- Накладні витрати asyncio (стандартний цикл подій у Python) порівнянні з виграшем від неблокуючого I/O, коли I/O мінімальний.
Коли async справді допомагає
Бенчмарк Paterson тестує найпростіший сценарій (1 SQL-запит). Як демонструють продакшн-кейси вище, async дає драматичний виграш, коли:
- Є багато запитів до БД / зовнішніх API (Super.com: 40+ викликів на запит)
- Конкурентність висока (тисячі одночасних з'єднань)
- I/O домінує над CPU (Duolingo, Appwrite)
Це узгоджується з теорією: чим вищий коефіцієнт блокування (T_io/T_cpu), тим більший виграш від корутин. При 1 SQL-запиті × 2 мс коефіцієнт занадто низький.
Джерело: Async Python is not faster (Cal Paterson)
11. TechEmpower: фреймворки Python
Приблизні результати з TechEmpower Round 22:
| Фреймворк | Тип | req/s (JSON) |
|---|---|---|
| Uvicorn (raw) | Async ASGI | Найвищий серед Python |
| Starlette | Async ASGI | ~20 000–25 000 |
| FastAPI | Async ASGI | ~15 000–22 000 |
| Flask (Gunicorn) | Sync WSGI | ~4 000–6 000 |
| Django (Gunicorn) | Sync WSGI | ~2 000–4 000 |
Асинхронні фреймворки: у 3–5 разів швидше за синхронні у JSON-тесті.
Джерело: TechEmpower Framework Benchmarks
Підсумок: що показують дані Python
| Кейс | Sync → Async | Умова |
|---|---|---|
| Duolingo (продакшн) | +40% пропускної здатності, −30% витрат | Мікросервіси, I/O |
| Super.com (продакшн) | 2x пропускної здатності, −90% витрат | 40+ API-викликів на запит |
| Feature Store (продакшн) | −40% затримки | Міграція з потоків на asyncio |
| Talk Python (продакшн) | −81% затримки | Flask → Quart |
| I/O-bound (10K URL) | 130x швидше | Чистий I/O, масова конкурентність |
| aiohttp проти requests | 10x швидше | Одночасні HTTP-запити |
| uvloop проти стандартного | 2,5x швидше | TCP echo, HTTP |
| TechEmpower JSON | 3–5x | FastAPI/Starlette проти Flask/Django |
| Простий CRUD (1 SQL) | Sync швидше | Cal Paterson: P99 у 2–3 рази гірше для async |
| CPU-bound | Без різниці | +44% пам'яті, 0% виграшу |
Ключовий висновок
Async Python дає максимальну користь при високому коефіцієнті блокування: коли час I/O значно перевищує час CPU. При 40+ мережевих викликах (Super.com) — 90% економії витрат. При 1 SQL-запиті (Cal Paterson) — async повільніше.
Це підтверджує формулу з Ефективність IO-bound задач: виграш ≈ 1 + T_io/T_cpu. Коли T_io >> T_cpu — десятки та сотні разів. Коли T_io ≈ T_cpu — мінімальний або нульовий.
Зв'язок з PHP та True Async
Python та PHP перебувають у схожій ситуації:
| Характеристика | Python | PHP |
|---|---|---|
| Інтерпретована | Так | Так |
| GIL / однопотокова | GIL | Однопотокова |
| Домінуюча модель | Sync (Django, Flask) | Sync (FPM) |
| Асинхронне середовище | asyncio + uvloop | Swoole / True Async |
| Асинхронний фреймворк | FastAPI, Starlette | Hyperf |
Дані Python показують, що перехід на корутини в однопотоковій інтерпретованій мові працює. Масштаб виграшу визначається профілем навантаження, а не мовою.
Посилання
Продакшн-кейси
- Duolingo: How We Started Our Async Python Migration (2025)
- Super.com: Quart ASGI, 90% cost reduction
- Instagram: asyncio adoption at scale (PyCon Taiwan 2018)
- Feature Store: Multithreading to Asyncio
- Talk Python: Flask → Quart rewrite
- Microsoft Azure: uvloop as default (2025)
Бенчмарки
- Cal Paterson: Async Python is not faster
- Python Concurrency Model Comparison (2025)
- HTTPX vs Requests vs AIOHTTP (Oxylabs)
- uvloop: Blazing fast Python networking (MagicStack)
- TechEmpower Framework Benchmarks