又到了一年一度的新时刻，全新版本的 Python 即将面世。

随着 Python 3.15.0b1 进入功能冻结阶段，我们已经能窥见今年 Python 的更新全貌。此次版本包含多项重磅特性，其中就包括我此前介绍过的惰性导入（lazy imports）与超光速分析器（tachyon profiler）。

在以前，我们曾深入探究了 Python 3.14 的小众特性，并且乐在其中。我发现，这些特性与那些备受瞩目的 PEP 提案同样精彩，值得更多关注。今年亦是如此。

异步任务组取消机制（Asyncio Taskgroup Cancellation）

 

本次版本中，异步 I/O（Asyncio）模块的改动不多，核心更新是优雅取消任务组（TaskGroup） 的能力。

任务组是结构化并发的一种实现，让开发者能以简洁方式创建多个并发任务。

asyncwith asyncio.TaskGroup()as tg:
    tg.create_task(run())
    tg.create_task(run())

# 等待所有任务执行完毕

假设我们需要在后台等待某种信号，以中断任务组执行 —— 在异步 I/O 中，这看似简单，实际实现却颇为繁琐。

class Interrupt(Exception):
pass

with suppress(Interrupt):
asyncwith asyncio.TaskGroup()as tg:
        tg.create_task(run())
        tg.create_task(run())
ifawait wait_for_signal():
raise Interrupt()

上述代码能够生效，是因为任务组内抛出的异常会触发其他任务取消。自定义Interrupt异常会被封装在异常组（ExceptionGroup）中，再由contextlib.suppress捕获过滤，最终实现优雅退出。

suppress对异常组的兼容处理，本身就是 Python 3.12 中一项被忽视的特性。

撰写本文时，我也是偶然发现到的这一点。

Python 3.15 新增的TaskGroup.cancel方法，将这一过程大幅简化：

asyncwith asyncio.TaskGroup()as tg:
    tg.create_task(run())
    tg.create_task(run())
ifawait wait_for_signal():
        tg.cancel()

 

相较以往，如今的写法简洁至极，无需过多解释 —— 直接取消整个任务组，且不抛出任何异常。

上下文管理器优化

 

装饰器的编写难度颇高，甚至已经成为面试高频的考点。但你是否知道，上下文管理器也可直接作为装饰器使用？

from contextlib import contextmanager
import time
from typing import Iterator

@contextmanager
def duration(message:str)-> Iterator[None]:
    start = time.perf_counter()
try:
yield
finally:
print(f"{message} 耗时 {time.perf_counter()- start:.2f} 秒")

 

以上是常用的上下文管理器，用于打印代码块执行时长。自 Python 3.3 起，它可直接作为装饰器：

@duration("任务执行")
def workload():
# 业务逻辑

# 也可直接作为包装器调用
duration("其他任务")(other_workload)

这种用法虽然便捷，但存在局限性，无法适用于迭代器、异步函数与异步迭代器：

@duration("异步任务")
asyncdefasync_workload():
# 异步业务逻辑

@duration("生成器任务")
def workload():
while True:
yield

原因在于，这类对象与普通函数语义不同：调用后会立即返回生成器、协程函数或异步生成器对象，导致装饰器执行瞬间结束，无法覆盖整个函数生命周期。

这一问题困扰了我许久，普通装饰器也常存在类似问题。Python 3.15 对此做出优化：ContextDecorator会自动检测被装饰函数类型，确保装饰器覆盖完整生命周期。

在我看来，这让上下文管理器成为编写装饰器的最佳方式—— 规避常见陷阱，语法更简洁。强烈推荐大家尝试这种用法。

线程安全迭代器

 

迭代器是现代 Python 的核心基础，它将数据源与数据消费逻辑解耦，实现简洁抽象：

from typing import Iterator

def stream_events()-> Iterator[str]:
whileTrue:
yield blocking_get_event()

events = stream_events()
for event in events:
    consume(event)

 

但在多线程 / 自由线程场景下，这一抽象会失效：迭代器默认非线程安全，可能出现数据丢失、内部状态错乱等问题。

Python 3.15 通过threading.serialize_iterator解决该问题，直接包裹原迭代器即可：

import threading
from concurrent.futures import ThreadPoolExecutor

events = threading.serialize_iterator(stream_events())

with ThreadPoolExecutor()as executor:
    fut1 = executor.submit(consume, events)
    fut2 = executor.submit(consume, events)

 

此外，新增threading.synchronized_iterator装饰器，可直接作用于生成器函数，自动包裹迭代器结果。

同时提供threading.concurrent_tee，与原生tee不同，它会为多个迭代器复制完整数据流，而非拆分数据：

source1, source2 = threading.concurrent_tee(squares(10), n=2)

with ThreadPoolExecutor()as executor:
    fut1 = executor.submit(consume, source1)
    fut2 = executor.submit(consume, source2)

此前，多线程环境下需依赖队列（Queue）同步数据消费；如今新增工具，无需修改原有抽象，即可适配多线程场景。

附加特性

 

以往时刻我仅介绍 3 项小众特性，今年值得关注的更新更多。以下 2 项虽影响范围有限，但同样趣味十足。

计数器异或运算（Counter xor Operation）

 

collections.Counter是实用工具类，用于统计离散元素频次，行为类似dict[键类型, 整数]，并内置丰富运算：

from collections import Counter

c = Counter(a=3, b=1)
d = Counter(a=1, b=2)

print(f"{c + d =}")# 合并计数：对应键值相加
print(f"{c - d =}")# 差值计数：仅保留正数

输出：

c + d = Counter(a=4, b=3)
c - d = Counter(a=1, b=0)

同时支持集合式运算：

print(f"{c & d =}")# 交集：取对应键最小值
print(f"{c | d =}")# 并集：取对应键最大值

输出：

c & d = Counter(a=1, b=1)
c | d = Counter(a=3, b=2)

可将Counter理解为离散元素集合，上述运算等价于：

{a_0, a_1, a_2, b_0} & {a_0, b_0, b_1} == {a_0, b_0}
{a_0, a_1, a_2, b_0} | {a_0, b_0, b_1} == {a_0, a_1, a_2, b_0, b_1}

Python 3.15 新增异或运算（xor）：

c = Counter(a=3, b=1)
d = Counter(a=1, b=2)

# 异或 = 并集 - 交集

c ^ d == c | d - c & d == Counter(a=3, b=2)- Counter(a=1, b=1)== Counter(a=2, b=1)

用集合表示更清晰：

{a_0, a_1, a_2, b_0} ^ {a_0, b_0, b_1} == {a_1, a_2, b_1}

我将其归入附加特性，因我从未在实际场景中对Counter使用集合运算，也难以想到异或运算的应用场景。但为了功能完整性，开发者新增了这一特性，值得肯定。

不可变 JSON 对象

 

Python 3.15 新增frozendict类型，至此，所有 JSON 数据类型（数组、布尔值、浮点数、空值、字符串、对象）均支持 ** 不可变（可哈希）** 表示形式。

json.load与json.loads新增 **array_hook参数 **，与object_hook参数互补，可直接将 JSON 解析为不可变对象：

import json
from types import MappingProxyType

# 解析为不可变字典+元组
json.loads('{"a": [1, 2, 3, 4]}', array_hook=tuple, object_hook=dict)== MappingProxyType({'a':(1,2,3,4)})

结语

相较于版本更新里备受热议的重磅功能，这些低调的优化看似波澜不惊，却精准补齐日常开发中的各类细节短板。

从异步任务管控、装饰器机制完善，到多线程并发适配、数据运算与格式处理升级，每一处改动都贴合开发者实际编码需求。

可以看到，Python 始终在兼顾性能、易用性与稳定性的道路上稳步迭代，细碎的功能打磨持续夯实语言根基，也为开发者带来更流畅稳健的编码体验。

 更多相关技术内容咨询欢迎前往并持续关注好学星城论坛了解详情。

想高效系统的学习Python编程语言，推荐大家关注一个微信公众号：Python编程学习圈。每天分享行业资讯、技术干货供大家阅读，关注即可免费领取整套Python入门到进阶的学习资料以及教程，感兴趣的小伙伴赶紧行动起来吧。