Python并发编程之线程池/进程池--concurrent.futures模块
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了Python并发编程之线程池/进程池--concurrent.futures模块,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含4957字,纯文字阅读大概需要8分钟。
内容图文
一、关于concurrent.futures模块
Python标准库为我们提供了threading和multiprocessing模块编写相应的多线程/多进程代码,但是当项目达到一定的规模,频繁创建/销毁进程或者线程是非常消耗资源的,这个时候我们就要编写自己的线程池/进程池,以空间换时间。但从Python3.2开始,标准库为我们提供了concurrent.futures模块,它提供了ThreadPoolExecutor和ProcessPoolExecutor两个类,实现了对threading和multiprocessing的进一步抽象,对编写线程池/进程池提供了直接的支持。
1.Executor和Future:
concurrent.futures模块的基础是Exectuor,Executor是一个抽象类,它不能被直接使用。但是它提供的两个子类ThreadPoolExecutor和ProcessPoolExecutor却是非常有用,顾名思义两者分别被用来创建线程池和进程池的代码。我们可以将相应的tasks直接放入线程池/进程池,不需要维护Queue来操心死锁的问题,线程池/进程池会自动帮我们调度。
Future这个概念相信有java和nodejs下编程经验的朋友肯定不陌生了,你可以把它理解为一个在未来完成的操作,这是异步编程的基础,传统编程模式下比如我们操作queue.get的时候,在等待返回结果之前会产生阻塞,cpu不能让出来做其他事情,而Future的引入帮助我们在等待的这段时间可以完成其他的操作。
p.s: 如果你依然在坚守Python2.x,请先安装futures模块。
pip install futures
二、操作线程池/进程池
1.使用submit来操作线程池/进程池:
# 线程池: from concurrent.futures import ThreadPoolExecutor import urllib.request URLS = [‘http://www.163.com‘, ‘https://www.baidu.com/‘, ‘https://github.com/‘] def load_url(url): with urllib.request.urlopen(url, timeout=60) as conn: print(‘%r page is %d bytes‘ % (url, len(conn.read()))) executor = ThreadPoolExecutor(max_workers=3) for url in URLS: future = executor.submit(load_url,url) print(future.done()) print(‘主线程‘) # 运行结果:False False False 主线程 ‘https://www.baidu.com/‘ page is 227 bytes ‘http://www.163.com‘ page is 662047 bytes ‘https://github.com/‘ page is 54629 bytes
我们根据运行结果来分析一下。我们使用submit方法来往线程池中加入一个task,submit返回一个Future对象,对于Future对象可以简单地理解为一个在未来完成的操作。由于线程池异步提交了任务,主线程并不会等待线程池里创建的线程执行完毕,所以执行了print(‘主线程‘),相应的线程池中创建的线程并没有执行完毕,故future.done()返回结果为False。
# 进程池:同上 from concurrent.futures import ProcessPoolExecutor import urllib.request URLS = [‘http://www.163.com‘, ‘https://www.baidu.com/‘, ‘https://github.com/‘] def load_url(url): with urllib.request.urlopen(url, timeout=60) as conn: print(‘%r page is %d bytes‘ % (url, len(conn.read()))) executor = ProcessPoolExecutor(max_workers=3) if__name__ == ‘__main__‘: # 要加mainfor url in URLS: future = executor.submit(load_url,url) print(future.done()) print(‘主线程‘) #运行结果: False # 子进程只完成创建,并没有执行完成False False 主线程 # 子进程创建完成就会向下执行主线程,并不会等待子进程执行完毕 ‘http://www.163.com‘ page is 662049 bytes ‘https://www.baidu.com/‘ page is 227 bytes ‘https://github.com/‘ page is 54629 bytes
2.使用map来操作线程池/进程池:
除了submit,Exectuor还为我们提供了map方法,和内建的map用法类似:
from concurrent.futures import ThreadPoolExecutor import urllib.request URLS = [‘http://www.163.com‘, ‘https://www.baidu.com/‘, ‘https://github.com/‘] def load_url(url): with urllib.request.urlopen(url, timeout=60) as conn: print(‘%r page is %d bytes‘ % (url, len(conn.read()))) executor = ThreadPoolExecutor(max_workers=3) executor.map(load_url,URLS) print(‘主线程‘) # 运行结果:主线程 ‘http://www.163.com‘ page is 662047 bytes ‘https://www.baidu.com/‘ page is 227 bytes ‘https://github.com/‘ page is 54629 bytes
从运行结果可以看出,map是按照URLS列表元素的顺序返回的,并且写出的代码更加简洁直观,我们可以根据具体的需求任选一种。
3.wait:
wait方法接会返回一个tuple(元组),tuple中包含两个set(集合),一个是completed(已完成的)另外一个是uncompleted(未完成的)。使用wait方法的一个优势就是获得更大的自由度,它接收三个参数FIRST_COMPLETED, FIRST_EXCEPTION 和ALL_COMPLETE,默认设置为ALL_COMPLETED。
如果采用默认的ALL_COMPLETED,程序会阻塞直到线程池里面的所有任务都完成,再执行主线程:
from concurrent.futures import ThreadPoolExecutor,wait,as_completed import urllib.request URLS = [‘http://www.163.com‘, ‘https://www.baidu.com/‘, ‘https://github.com/‘] def load_url(url): with urllib.request.urlopen(url, timeout=60) as conn: print(‘%r page is %d bytes‘ % (url, len(conn.read()))) executor = ThreadPoolExecutor(max_workers=3) f_list = [] for url in URLS: future = executor.submit(load_url,url) f_list.append(future) print(wait(f_list)) print(‘主线程‘) # 运行结果:‘http://www.163.com‘ page is 662047 bytes ‘https://www.baidu.com/‘ page is 227 bytes ‘https://github.com/‘ page is 54629 bytes DoneAndNotDoneFutures(done={<Future at 0x2d0f898 state=finished returned NoneType>, <Future at 0x2bd0630 state=finished returned NoneType>, <Future at 0x2d27470 state=finished returned NoneType>}, not_done=set()) 主线程
如果采用FIRST_COMPLETED参数,程序并不会等到线程池里面所有的任务都完成。
from concurrent.futures import ThreadPoolExecutor,wait,as_completed import urllib.request URLS = [‘http://www.163.com‘, ‘https://www.baidu.com/‘, ‘https://github.com/‘] def load_url(url): with urllib.request.urlopen(url, timeout=60) as conn: print(‘%r page is %d bytes‘ % (url, len(conn.read()))) executor = ThreadPoolExecutor(max_workers=3) f_list = [] for url in URLS: future = executor.submit(load_url,url) f_list.append(future) print(wait(f_list,return_when=‘FIRST_COMPLETED‘)) print(‘主线程‘) # 运行结果:‘http://www.163.com‘ page is 662047 bytes DoneAndNotDoneFutures(done={<Future at 0x2bd15c0 state=finished returned NoneType>}, not_done={<Future at 0x2d0d828 state=running>, <Future at 0x2d27358 state=running>}) 主线程 ‘https://www.baidu.com/‘ page is 227 bytes ‘https://github.com/‘ page is 54629 bytes
?写一个小程序对比multiprocessing.pool(ThreadPool)和ProcessPollExecutor(ThreadPoolExecutor)在执行效率上的差距,结合上面提到的Future思考为什么会造成这样的结果?
原文:http://www.cnblogs.com/dylan-wu/p/7163823.html
内容总结
以上是互联网集市为您收集整理的Python并发编程之线程池/进程池--concurrent.futures模块全部内容,希望文章能够帮你解决Python并发编程之线程池/进程池--concurrent.futures模块所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。