在 Python 多线程编程中，concurrent.futures 模块提供了一个高层的接口来异步执行可调用对象。今天，我们将通过一个循序渐进的案例，深入了解如何使用这个强大的工具。
从一个模拟场景开始
假设我们需要处理一批网络请求。为了模拟这个场景，我们使用 sleep 来代表耗时操作：
import time
import random
def slow_operation(task_id):
"""模拟一个耗时的网络请求"""
sleep_time = random.uniform(0.5, 2)
time.sleep(sleep_time)
return f"Task {task_id} completed in {sleep_time:.2f} seconds"
# 串行处理
def process_serial():
start = time.perf_counter()
results = []
for i in range(10):
result = slow_operation(i)
results.append(result)
end = time.perf_counter()
print(f"串行处理总耗时：{end - start:.2f} 秒")
return results
# 运行示例
if __name__ == '__main__':
results = process_serial()
for r in results:
print(r)串行处理总耗时：11.75 秒
Task 0 completed in 1.27 seconds
Task 1 completed in 1.10 seconds
Task 2 completed in 1.35 seconds
Task 3 completed in 1.36 seconds
Task 4 completed in 1.42 seconds
Task 5 completed in 1.55 seconds
Task 6 completed in 0.74 seconds
Task 7 completed in 0.55 seconds
Task 8 completed in 1.40 seconds
Task 9 completed in 0.97 seconds运行这段代码，你会发现处理 10 个任务需要大约 10-15 秒。这显然不够高效。
使用传统的 threading 模块
让我们先看看使用传统的 threading 模块如何改进：
import threading
from queue import Queue
def slow_operation(task_id):
"""模拟一个耗时的网络请求"""
sleep_time = random.uniform(0.5, 2)
time.sleep(sleep_time)
return f"Task {task_id} completed in {sleep_time:.2f} seconds"
def process_threading():
start = time.perf_counter()
results = []
work_queue = Queue()
lock = threading.Lock()
# 填充工作队列
for i in range(10):
work_queue.put(i)
def worker():
while True:
try:
task_id = work_queue.get_nowait()
result = slow_operation(task_id)
with lock:
results.append(result)
work_queue.task_done()
except Queue.Empty:
break
threads = []
for _ in range(4): # 使用4个线程
t = threading.Thread(target=worker)
t.start()
threads.append(t)
for t in threads:
t.join()
end = time.perf_counter()
print(f"多线程处理总耗时：{end - start:.2f} 秒")
return results多线程处理总耗时：3.24 秒这个版本使用了多线程，性能确实提升了，但代码比较复杂，需要手动管理线程、锁和队列。
concurrent.futures 的优雅解决方案
现在，让我们看看如何使用 concurrent.futures 来简化代码：
import time
import random
from concurrent.futures import ThreadPoolExecutor, as_completed
def slow_operation(task_id):
"""模拟一个耗时的网络请求"""
sleep_time = random.uniform(0.5, 2)
time.sleep(sleep_time)
return f"Task {task_id} completed in {sleep_time:.2f} seconds"
def process_concurrent():
start = time.perf_counter()
results = []
# 创建线程池，设置最大线程数为4
with ThreadPoolExecutor(max_workers=4) as executor:
# 提交任务到线程池
future_to_id = {executor.submit(slow_operation, i): i for i in range(10)}
# 获取结果
for future in as_completed(future_to_id):
results.append(future.result())
end = time.perf_counter()
print(f"concurrent.futures 处理总耗时：{end - start:.2f} 秒")
return results
process_concurrent()concurrent.futures 处理总耗时：3.54 秒这里我们用到了几个关键概念：
- ThreadPoolExecutor ：线程池执行器，用于管理一组工作线程。创建时可以指定最大线程数。
- executor.submit() ：向线程池提交一个任务。返回 Future 对象，代表将来某个时刻会完成的操作。
- as_completed() ：返回一个迭代器，在 Future 完成时产生对应的 Future 对象。这意味着结果是按照完成顺序而不是提交顺序返回的。
Future 对象的高级用法
Future 对象提供了多个有用的方法，让我们通过实例来了解：
import time
import random
from concurrent.futures import ThreadPoolExecutor, wait, FIRST_COMPLETED
def slow_operation(task_id):
"""模拟一个耗时的网络请求"""
sleep_time = random.uniform(0.5, 2)
time.sleep(sleep_time)
return f"Task {task_id} completed in {sleep_time:.2f} seconds"
def demonstrate_future_features():
with ThreadPoolExecutor(max_workers=4) as executor:
# 提交任务并获取 Future 对象
futures = [executor.submit(slow_operation, i) for i in range(10)]
# 1. done() 检查任务是否完成
print("检查第一个任务是否完成:", futures[0].done())
# 2. 使用 wait() 等待部分任务完成
done, not_done = wait(futures, return_when=FIRST_COMPLETED)
print(f"完成的任务数: {len(done)}, 未完成的任务数: {len(not_done)}")
# 3. 获取结果时设置超时
try:
result = futures[0].result(timeout=1.0)
print("获取到结果:", result)
except TimeoutError:
print("获取结果超时")
# 4. cancel() 取消未开始的任务
for f in not_done:
cancelled = f.cancel()
print(f"取消任务: {'成功' if cancelled else '失败'}")
demonstrate_future_features()检查第一个任务是否完成: False
完成的任务数: 1, 未完成的任务数: 9
获取到结果: Task 0 completed in 1.07 seconds
取消任务: 失败
取消任务: 成功
取消任务: 成功
取消任务: 失败
取消任务: 失败
取消任务: 失败
取消任务: 失败
取消任务: 成功
取消任务: 失败线程/进程池还是异步 IO？
IO 密集型任务：优先选择 asyncio
为什么选择 asyncio ？
- 更低的资源开销： asyncio 使用协程，不需要创建额外的线程或进程
- 更高的并发量：单线程可以轻松处理数千个并发任务
- 没有 GIL 的限制：协程在单线程内切换，完全规避了 GIL 的影响
让我们通过一个网络请求的例子来对比：
import asyncio
import time
from concurrent.futures import ThreadPoolExecutor
# 模拟网络请求
def sync_request(url):
time.sleep(1) # 模拟网络延迟
return f"Response from {url}"
async def async_request(url):
await asyncio.sleep(1) # 模拟网络延迟
return f"Response from {url}"
# 使用线程池
def thread_pool_example():
urls = [f"http://example.com/{i}" for i in range(100)]
start = time.perf_counter()
with ThreadPoolExecutor(max_workers=20) as executor:
results = list(executor.map(sync_request, urls))
end = time.perf_counter()
print(f"ThreadPoolExecutor 耗时: {end - start:.2f} 秒")
return results
# 使用 asyncio
async def asyncio_example():
urls = [f"http://example.com/{i}" for i in range(100)]
start = time.perf_counter()
tasks = [async_request(url) for url in urls]
results = await asyncio.gather(*tasks)
end = time.perf_counter()
print(f"asyncio 耗时: {end - start:.2f} 秒")
return results
if __name__ == '__main__':
# 运行线程池版本
thread_results = thread_pool_example()
# 运行 asyncio 版本
asyncio_results = asyncio.run(asyncio_example())ThreadPoolExecutor 耗时: 5.03 秒
asyncio 耗时: 1.00 秒在这个例子中， asyncio 版本通常会表现出更好的性能，尤其是在并发量大的情况下。
CPU 密集型任务：使用 ProcessPoolExecutor
为什么选择多进程？
- 绕过 GIL：每个进程都有自己的 Python 解释器和 GIL
- 充分利用多核性能：可以真正实现并行计算
- 适合计算密集型任务：如数据处理、图像处理等
来看一个计算密集型任务的对比：
import time
from concurrent.futures import ProcessPoolExecutor, ThreadPoolExecutor
def cpu_intensive_task(n):
"""计算密集型任务：计算大量浮点数运算"""
result = 0
for i in range(n):
result += i ** 2 / 3.14
return result
def compare_performance():
numbers = [10**6] * 20 # 20个大规模计算任务
# 使用线程池
start = time.perf_counter()
with ThreadPoolExecutor(max_workers=4) as executor:
thread_results = list(executor.map(cpu_intensive_task, numbers))
thread_time = time.perf_counter() - start
print(f"线程池耗时: {thread_time:.2f} 秒")
# 使用进程池
start = time.perf_counter()
with ProcessPoolExecutor(max_workers=4) as executor:
process_results = list(executor.map(cpu_intensive_task, numbers))
process_time = time.perf_counter() - start
print(f"进程池耗时: {process_time:.2f} 秒")
if __name__ == '__main__':
compare_performance()线程池耗时: 4.61 秒
进程池耗时: 1.34 秒在这种场景下， ProcessPoolExecutor 的性能明显优于 ThreadPoolExecutor 。
混合型任务：ThreadPoolExecutor 的优势
为什么有时候选择线程池？
- 更容易与现有代码集成：大多数 Python 库都是基于同步设计的
- 资源开销比进程池小：线程共享内存空间
- 适合 IO 和 CPU 混合的场景：当任务既有 IO 操作又有计算时
示例场景：
import time
from concurrent.futures import ProcessPoolExecutor, ThreadPoolExecutor
def mixed_task(task_id):
"""混合型任务：既有 IO 操作又有计算"""
# IO 操作
time.sleep(0.5)
# CPU 计算
result = sum(i * i for i in range(10**5))
# 再次 IO 操作
time.sleep(0.5)
return f"Task {task_id}: {result}"
def demonstrate_mixed_workload():
tasks = range(10)
# 使用线程池
start = time.perf_counter()
with ThreadPoolExecutor(max_workers=4) as executor:
thread_results = list(executor.map(mixed_task, tasks))
thread_time = time.perf_counter() - start
print(f"线程池处理混合任务耗时: {thread_time:.2f} 秒")
# 使用进程池
start = time.perf_counter()
with ProcessPoolExecutor(max_workers=4) as executor:
process_results = list(executor.map(mixed_task, tasks))
process_time = time.perf_counter() - start
print(f"进程池处理混合任务耗时: {process_time:.2f} 秒")
if __name__ == '__main__':
demonstrate_mixed_workload()线程池处理混合任务耗时: 3.05 秒
进程池处理混合任务耗时: 3.11 秒选择建议的决策树
在选择并发方案时，可以参考以下决策流程：
首先判断任务类型：
- 如果是纯 IO 密集型（网络请求、文件操作），优先选择 asyncio。
- 如果是纯 CPU 密集型（大量计算），优先选择 ProcessPoolExecutor。
- 如果是混合型任务，考虑使用 ThreadPoolExecutor。
考虑其他因素：
- 现有代码是否易于改造为异步？
- 是否需要与同步代码交互？
- 并发量有多大？
- 是否需要跨进程通信？
def choose_concurrency_model(task_type,
concurrent_count,
legacy_code=False,
need_shared_memory=False):
"""帮助选择并发模型的示例函数"""
if task_type == "IO":
if legacy_code or need_shared_memory:
return "ThreadPoolExecutor"
else:
return "asyncio"
elif task_type == "CPU":
if need_shared_memory:
return "ThreadPoolExecutor"
else:
return "ProcessPoolExecutor"
else: # mixed
if concurrent_count > 1000:
return "asyncio"
else:
return "ThreadPoolExecutor"性能对比总结
方案 | IO密集型 | CPU密集型 | 混合型 | 资源开销 | 代码复杂度 |
asyncio | 最佳 | 较差 | 好 | 最低 | 较高 |
ThreadPoolExecutor | 好 | 较差 | 较好 | 低 | 低 |
ProcessPoolExecutor | 一般 | 最佳 | 一般 | 高 | 低 |
总的来说，选择合适的并发方案需要综合考虑任务特性、性能需求、代码复杂度等多个因素。在实际应用中，有时候甚至可以混合使用多种方案，以达到最优的性能表现。
实用技巧总结
控制线程池大小
def demonstrate_pool_sizing():
# CPU 核心数
cpu_count = os.cpu_count()
# IO 密集型任务，线程数可以设置为核心数的 1-4 倍
io_bound_workers = cpu_count * 2
# CPU 密集型任务，线程数不应超过核心数
cpu_bound_workers = cpu_count
print(f"推荐的线程数：")
print(f"IO 密集型任务：{io_bound_workers}")
print(f"CPU 密集型任务：{cpu_bound_workers}")批量提交任务
def demonstrate_batch_submit():
with ThreadPoolExecutor(max_workers=4) as executor:
results_ordered = list(executor.map(slow_operation, range(5)))
futures = [executor.submit(slow_operation, i) for i in range(5)]
results_completion = [f.result() for f in as_completed(futures)]
return results_ordered, results_completion错误处理
def demonstrate_error_handling():
def faulty_operation(task_id):
if task_id == 3:
raise ValueError(f"Task {task_id} failed")
return slow_operation(task_id)
with ThreadPoolExecutor(max_workers=4) as executor:
futures = [executor.submit(faulty_operation, i) for i in range(5)]
for future in as_completed(futures):
try:
result = future.result()
print(f"成功：{result}")
except Exception as e:
print(f"错误：{str(e)}")总结
concurrent.futures 模块为 Python 并发编程提供了一个优雅的高级接口。相比传统的 threading / multiprocessing 模块，它具有以下优势：
- 使用线程池自动管理线程的生命周期
- 提供简洁的接口提交任务和获取结果
- 支持超时和错误处理
- 代码更加 Pythonic 和易于维护
