Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

asyncio.gather pro dávkové zpracování

Lekce 5 z 12 Aktualizováno 30. července 2026 Pokročilý
Na této stránce
  1. Orchestrování paralelních požadavků
  2. Základní syntaxe
  3. Kompletní vzor: Dávka se semaforem
  4. Zpracování chyb v dávce
  5. Rozdělení na poddávky (Chunking)
  6. Sledování průběhu
  7. Klíčové poznatky

Orchestrování paralelních požadavků

asyncio.gather je klíčová funkce pro paralelní spouštění více korutin a sběr všech výsledků. V kombinaci se semaforem ti umožňuje efektivně zpracovávat dávky požadavků při dodržení limitů API.

Základní syntaxe

import asyncio

requests = ["Question 1", "Question 2", "Question 3"]
tasks = [process_request(r) for r in requests]
responses = await asyncio.gather(*tasks)

asyncio.gather přijímá proměnný počet korutin (proto se používá *tasks pro rozbalení seznamu) a vrací seznam výsledků ve stejném pořadí, v jakém byly úlohy odeslány. To je důležitý bod: i když se otázka 3 dokončí dříve než otázka 1, responses[0] bude vždy obsahovat výsledek pro otázku 1.

Kompletní vzor: Dávka se semaforem

Zde je vzor, který budeš v produkčním prostředí používat nejčastěji:

import os
from asyncio import Semaphore
from openai import AsyncOpenAI
import httpx

client = AsyncOpenAI(
    api_key=os.getenv("XAI_API_KEY"),
    base_url="https://api.x.ai/v1",
    timeout=httpx.Timeout(3600.0)
)

async def process_batch(prompts: list[str], max_concurrent: int = 5) -> list[str]:
    sem = Semaphore(max_concurrent)

    async def single_request(prompt: str) -> str:
        async with sem:
            response = await client.chat.completions.create(
                model="grok-4.5",
                messages=[{"role": "user", "content": prompt}]
            )
            return response.choices[0].message.content

    tasks = [single_request(p) for p in prompts]
    return await asyncio.gather(*tasks)

Tento vzor zapouzdřuje semafor uvnitř funkce pro dávku. Stačí pouze zavolat process_batch(prompts) a získat seznam odpovědí.

Zpracování chyb v dávce

Ve výchozím nastavení, pokud jedna korutina vyvolá výjimku, asyncio.gather vše zruší a chybu propaguje dál. Parametr return_exceptions=True toto chování mění:

async def safe_batch(prompts: list[str]) -> list[str | Exception]:
    sem = Semaphore(5)

    async def single_request(prompt: str) -> str:
        async with sem:
            response = await client.chat.completions.create(
                model="grok-4.5",
                messages=[{"role": "user", "content": prompt}]
            )
            return response.choices[0].message.content

    tasks = [single_request(p) for p in prompts]
    results = await asyncio.gather(*tasks, return_exceptions=True)
    return results

# Použití
results = await safe_batch(mes_prompts)
for i, result in enumerate(results):
    if isinstance(result, Exception):
        print(f"Error on prompt {i}: {result}")
    else:
        print(f"Result {i}: {result[:100]}...")

S return_exceptions=True jsou chyby zachyceny jako hodnoty v seznamu výsledků. Následně můžeš identifikovat a opakovat neúspěšné požadavky.

Rozdělení na poddávky (Chunking)

Při velmi velkých objemech je lepší rozdělit práci na poddávky, než spouštět tisíce úloh najednou:

async def chunked_batch(
    prompts: list[str],
    chunk_size: int = 50,
    max_concurrent: int = 5
) -> list[str]:
    all_results = []

    for i in range(0, len(prompts), chunk_size):
        chunk = prompts[i:i + chunk_size]
        print(f"Processing batch {i//chunk_size + 1} ({len(chunk)} prompts)")
        results = await process_batch(chunk, max_concurrent)
        all_results.extend(results)

    return all_results

Rozdělení na části (chunking) nabízí několik výhod: můžeš zobrazovat průběh, ukládat průběžné výsledky a omezit využití paměti. Pokud selže jedna poddávka, nepřijdeš o výsledky z předchozích poddávek.

Sledování průběhu

U velkých dávek je užitečný indikátor průběhu:

import asyncio
from asyncio import Semaphore

async def batch_with_progress(prompts: list[str], max_concurrent: int = 5) -> list[str]:
    sem = Semaphore(max_concurrent)
    completed = 0
    total = len(prompts)

    async def single_request(prompt: str) -> str:
        nonlocal completed
        async with sem:
            response = await client.chat.completions.create(
                model="grok-4.5",
                messages=[{"role": "user", "content": prompt}]
            )
            completed += 1
            print(f"\r{completed}/{total} completed", end="", flush=True)
            return response.choices[0].message.content

    tasks = [single_request(p) for p in prompts]
    results = await asyncio.gather(*tasks)
    print()  # nový řádek po dokončení průběhu
    return results

Klíčové poznatky

  • asyncio.gather(*tasks) spouští korutiny paralelně a vrací výsledky v původním pořadí
  • return_exceptions=True zabraňuje tomu, aby jedna chyba selhala celou dávku
  • Rozdělení na části (chunking) ti umožňuje zpracovávat velmi velké objemy bez zahlcení paměti
  • Vždy kombinuj gather se semaforem pro dodržení limitů rychlosti (rate limits)
  • Pro dlouho běžící procesy přidej sledování průběhu