前言
在异步方法中调用同步方法，会直接阻塞整个事件循环，导致应用在执行同步方法期间无法处理其他任何并发请求，从而拖垮整个服务的性能。
为了解决这个问题，核心思路是将同步方法交给外部线程池去执行。
方法1, 使用 to_thread
Python 3.9 后可以使用 asyncio.to_thread 方法，将同步函数跑在独立的线程中，并返回一个协程供 await
import asyncio
import time
from fastapi import FastAPIapp = FastAPI()def sync_task(name: str):time.sleep(2) return f"Hello {name}, sync task done!"@app.get("/async-call")
async def async_endpoint():result = await asyncio.to_thread(sync_task, "World")return {"message": result}
方法2, 直接定义同步路由
FastAPI支持定义同步路由，FastAPI会自动在一个外部线程池中运行该函数。不过出于代码整体设计的考虑，个人不建议这么做。
方法3, 使用 run_in_threadpool
FastAPI 基于 Starlette, 而 Starlette 提供一个工具函数 run_in_threadpool，这种方式类似于 asyncio.to_thread，在某些老版本的 FastAPI 或特定的 contextvars 传递场景下更常用。
from fastapi.concurrency import run_in_threadpool@app.get("/method3")
async def starlette_endpoint():result = await run_in_threadpool(sync_task, "Starlette")return {"message": result}
方法4, 使用进程池
对于CPU密集型任务，应该使用多进程ProcessPoolExecutor来操作
import concurrent.futures
import math
from fastapi import FastAPIapp = FastAPI()
# 创建一个全局进程池
executor = concurrent.futures.ProcessPoolExecutor()def cpu_intensive_calculation(n: int):# 模拟重度 CPU 计算return sum(math.isqrt(i) for i in range(n))@app.get("/cpu-bound-task")
async def cpu_task():loop = asyncio.get_running_loop()result = await loop.run_in_executor(executor, cpu_intensive_calculation, 10**7)return {"result": result}
