带有 aioboto3 的 Python 3 asyncio 似乎是连续的

Question

我正在将一个简单的 python 3 脚本移植到 AWS Lambda。
该脚本很简单:它从十几个 S3 对象中收集信息并返回结果。
使用的脚本 multiprocessing.Pool并行收集所有文件。虽然 multiprocessing不能在 AWS Lambda 环境中使用，因为 /dev/shm不见了。
所以我想而不是写一个肮脏的multiprocessing.Process/multiprocessing.Queue更换，我会尝试 asyncio反而。
我正在使用最新版本的 aioboto3 (8.0.5) 在 Python 3.8 上。
我的问题是，我似乎无法在文件的原始顺序下载和多路复用下载的 asyncio 事件循环之间获得任何改进。
这是我的代码的两个版本。

import sys
import asyncio
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor

import boto3
import aioboto3

BUCKET = 'some-bucket'
KEYS = [
    'some/key/1',
    [...]
    'some/key/10',
]

async def download_aio():
    """Concurrent download of all objects from S3"""
    async with aioboto3.client('s3') as s3:
        objects = [s3.get_object(Bucket=BUCKET, Key=k) for k in KEYS]
        objects = await asyncio.gather(*objects)
        buffers = await asyncio.gather(*[o['Body'].read() for o in objects])

def download():
    """Sequentially download all objects from S3"""
    s3 = boto3.client('s3')
    for key in KEYS:
        object = s3.get_object(Bucket=BUCKET, Key=key)
        object['Body'].read()

def run_sequential():
    download()

def run_concurrent():
    loop = asyncio.get_event_loop()
    #loop.set_default_executor(ProcessPoolExecutor(10))
    #loop.set_default_executor(ThreadPoolExecutor(10))
    loop.run_until_complete(download_aio())

两者的时间 run_sequential()和 run_concurrent()非常相似(十几个 10MB 文件约 3 秒)。
我确信并发版本不是，原因有很多:

我尝试切换到 Process/ThreadPoolExecutor ，而我在函数运行期间产生的进程/线程，尽管它们什么都不做

顺序和并发的时间非常接近，虽然我的网口肯定没有饱和，CPU也没有绑定(bind)

并发版本所用的时间随文件数量线性增加。

我确定缺少某些东西，但我无法理解是什么。
有任何想法吗？

Answer 1

在花了几个小时试图了解如何使用之后 aioboto3正确，我决定只切换到我的备份解决方案。
我最终推出了自己的天真版本 multiprocessing.Pool在 AWS lambda 环境中使用。
如果将来有人偶然发现这个线程，那就是这里。它远非完美，但很容易更换 multiprocessing.Pool对于我的简单案例。

from multiprocessing import Process, Pipe
from multiprocessing.connection import wait


class Pool:
    """Naive implementation of a process pool with mp.Pool API.

    This is useful since multiprocessing.Pool uses a Queue in /dev/shm, which
    is not mounted in an AWS Lambda environment.
    """

    def __init__(self, process_count=1):
        assert process_count >= 1
        self.process_count = process_count

    @staticmethod
    def wrap_pipe(pipe, index, func):
        def wrapper(args):
            try:
                result = func(args)
            except Exception as exc:  # pylint: disable=broad-except
                result = exc
            pipe.send((index, result))
        return wrapper

    def __enter__(self):
        return self

    def __exit__(self, exc_type, exc_value, exc_traceback):
        pass

    def map(self, function, arguments):
        pending = list(enumerate(arguments))
        running = []
        finished = [None] * len(pending)
        while pending or running:
            # Fill the running queue with new jobs
            while len(running) < self.process_count:
                if not pending:
                    break
                index, args = pending.pop(0)
                pipe_parent, pipe_child = Pipe(False)
                process = Process(
                    target=Pool.wrap_pipe(pipe_child, index, function),
                    args=(args, ))
                process.start()
                running.append((index, process, pipe_parent))
            # Wait for jobs to finish
            for pipe in wait(list(map(lambda t: t[2], running))):
                index, result = pipe.recv()
                # Remove the finished job from the running list
                running = list(filter(lambda x: x[0] != index, running))
                # Add the result to the finished list
                finished[index] = result

        return finished