concurrent.futures模块简单介绍（线程池，进程…

一、基类Executor

Executor类是ThreadPoolExecutor 和ProcessPoolExecutor 的基类。它为我们提供了如下方法：

submit(fn, *args, **kwargs)：提交任务。以 fn(*args **kwargs) 方式执行并返回 Future 对像。

fn：函数地址。

*args：位置参数。

**kwargs：关键字参数。

map(func, *iterables, timeout=None, chunksize=1)：

func：函数地址。

iterables：一个可迭代对象，以迭代的方式将参数传递给函数。

timeout：这个参数没弄明白，如果是None等待所有进程结束。

chunksize：使用 ProcessPoolExecutor 时，这个方法会将 iterables 分割任务块，并作为独立的任务提交到执行池中。这些块的数量可以由 chunksize 指定设置。 对很长的迭代器来说，设置chunksize 值比默认值 1 能显著地提高性能。 chunksize 对 ThreadPoolExecutor 没有效果。

shutdown(wait=True)：如果为True会等待线程池或进程池执行完成后释放正在使用的资源。如果 wait 为 False，将立即返回，所有待执行的期程完成执行后会释放已分配的资源。 不管 wait 的值是什么，整个 Python 程序将等到所有待执行的期程完成执行后才退出。

二、线程池对象

ThreadPoolExecutor 是 Executor 的子类，下面介绍ThreadPoolExecutor 的参数。

class concurrent.futures.ThreadPoolExecutor(max_workers=None, thread_name_prefix='', initializer=None, initargs=())：

max_workers：线程池的数量。

thread_name_prefix：线程名前缀。默认线程名ThreadPoolExecutor-线程数。

initializer：一个函数或方法，在启用线程前会调用这个函数（给线程池添加额外任务）。

initargs ：以元祖的方式给initializer中的函数传递参数。

这里需要说明的是除了max_workers这个参数外其它三个参数基本很少用。max_workers很好理解就是线程池的数量。

下面来说initializer和initargs 这两个奇怪的家伙。

示例一：

from concurrent.futures import ThreadPoolExecutor
def work():
    print('工作线程')
def test(num):
    print('test:',num)
executor = ThreadPoolExecutor(max_workers=2,initializer=test(7))  # 开启2个线程  initializer指定参数test(7)
executor.submit(work)  
executor.submit(work)

# 打印内容如下
test: 7
工作线程
工作线程

示例二：

from concurrent.futures import ThreadPoolExecutor
def work():
    print('工作线程')
def test(num):
    print('test:',num)
executor = ThreadPoolExecutor(max_workers=2,initializer=test,initargs=(7,)) # 这里我们使用initargs=(7,)的方式给test传递参数。
executor.submit(work)
executor.submit(work)

# 打印内容如下
test: 7
工作线程
工作线程
test: 7

通过示例一和示例二我们可以发现initializer=test(7)时，test函数只被调用了1次，当initializer=test,initargs=(7,)时，test被调用了2次。具体原因没有去分析。感觉没什么用。以后有时间看看源码在补上。

三、进程池对象

ProcessPoolExecutor 也是 Executor 的子类，下面是ProcessPoolExecutor 参数介绍：

class concurrent.futures.ProcessPoolExecutor(max_workers=None, mp_context=None, initializer=None, initargs=())

max_workers：工作进程数。如果 max_workers 为 None 或未给出，它将默认为机器的处理器个数。 如果 max_workers 小于等于 0，则将引发 ValueError。 在 Windows 上，max_workers 必须小于等于 61，否则将引发 ValueError。 如果 max_workers 为 None，则所选择的默认最多为 61，即使存在更多处理器。

mp_context ：可以是一个多进程上下文或是 None。 它将被用来启动工作进程。 如果 mp_context 为 None 或未给出，将使用默认的多进程上下文。

initializer：一个函数或方法，在启用线程前会调用这个函数。

initargs ：以元祖的方式给initializer中的函数传递参数。

关于说initializer和initargs 与ThreadPoolExecutor 类似这里不多说了。

四、创建线程池

from concurrent.futures import ThreadPoolExecutor
import time
def work(num):
    time.sleep(1)
    print('工作线程:',num)
if __name__ == '__main__':
    executor = ThreadPoolExecutor(max_workers=5)  # 创建线程池，数量为5
    for i in range(5):
        executor.submit(work, i)
    print('主线程')

# 打印内容如下
主线程
工作线程:   0
工作线程:   1
工作线程:   2
工作线程:   3
工作线程:   4

# 使用shutdown等待所有线程结束后在打印主线程
from concurrent.futures import ThreadPoolExecutor
import time
def work(num):
    time.sleep(1)
    print('工作线程:',num)
if __name__ == '__main__':
    executor = ThreadPoolExecutor(max_workers=5)  # 创建线程池，数量为5
    for i in range(5):
        executor.submit(work, i)
    executor.shutdown(wait=True)  # 等待线程池结束
    print('主线程')

# 打印内容如下
工作线程: 0
工作线程: 1
工作线程: 2
工作线程: 3
工作线程: 4
主线程

如果想要在线程执行的过程中添加额外的功能，可以使用initializer参数，如下：

from concurrent.futures import ThreadPoolExecutor

def work(num):
    print('工作线程:',num)
def test(num):
    print('额外任务:',num)
if __name__ == '__main__':
    executor = ThreadPoolExecutor(max_workers=5,initializer=test,initargs=(7,)) # 添加额外任务
    for i in range(5):
        executor.submit(work, i)
    executor.shutdown(wait=True)
    print('主线程')

# 打印内容如下
额外任务: 7
工作线程: 0
额外任务: 7
工作线程: 1
额外任务: 7
工作线程: 2 
额外任务: 7
工作线程: 3 
额外任务: 7
工作线程: 4 
主线程

五、进程池

进程池与线程池用法基本一致，只是名字和实现不一样而已。

from concurrent.futures import ProcessPoolExecutor
import time
def work(num):
    time.sleep(1)
    print('工作进程:',num)
if __name__ == '__main__':
    executor = ProcessPoolExecutor(max_workers=5)  # 创建进程池，数量为5
    for i in range(5):
        executor.submit(work, i)
    print('主线程')

# 打印内容如下
主线程
工作进程: 0
工作进程: 1
工作进程: 2
工作进程: 3
工作进程: 4

# 使用shutdown等待所有线程结束后在打印主线程
from concurrent.futures import ProcessPoolExecutor
import time
def work(num):
    time.sleep(1)
    print('工作进程:',num)
if __name__ == '__main__':
    executor = ProcessPoolExecutor(max_workers=5)  # 创建进程池，数量为5
    for i in range(5):
        executor.submit(work, i)
    executor.shutdown(wait=True)  # 等待进程池结束
    print('主线程')
# 打印内容如下
工作进程: 0
工作进程: 1
工作进程: 2
工作进程: 3
工作进程: 4
主线程

如果想要在线程执行的过程中添加额外的功能，可以使用initializer参数，如下：

from concurrent.futures import ProcessPoolExecutor

def work(num):
    print('工作进程:',num)
def test(num):
    print('额外任务:',num)
if __name__ == '__main__':
    executor = ProcessPoolExecutor(max_workers=5,initializer=test,initargs=(7,)) # 添加额外任务
    for i in range(5):
        executor.submit(work, i)
    executor.shutdown(wait=True)
    print('主线程')

# 打印内容如下
额外任务: 7
工作进程: 0
工作进程: 1
工作进程: 2
工作进程: 3
工作进程: 4
额外任务: 7
额外任务: 7
额外任务: 7
额外任务: 7
主线程

六、Future Objects

future类封装了可调用文件的异步执行。future的实例由executor.submit（）时被创建的，除了测试之外不应该直接实例化future对象，所以为了获取future对象我们可以f=executor.submit（）即可。

class concurrent.futures.Future类中的方法：

cancel()：尝试取消执行线程池中的函数调用。如果调用当前正在执行或已完成运行，并且无法取消，则方法将返回false，否则调用将被取消，方法将返回true。

cancelled()：如果线程池中的函数执行成功返回True，调用失败返回false。

running()：如果线程池中的调用当前正在执行且无法取消，则返回true。

done()：如果呼叫成功取消或完成运行，则返回true。否则返回false

result(timeout=None)：返回线程函数的返回值。如果线程函数未执行完成，则此方法将最多等待timeout秒，如果线程函数未在超时秒内完成，则将引发concurrent.futures.TimeoutError。超时可以是int或float。如果未指定超时 timeout=None，则会阻塞，一直等待函数执行完成。如果在线程函数完成之前使用future对象取消了执行，则将引发CancelederRor。如果调用raised，此方法将引发相同的异常。

exception(timeout=None)：返回线程函数引发的异常。如果线程函数尚未完成，则此方法将最多等待timeout秒。如果线程函数未在超时秒内完成，则将引发concurrent.futures.TimeoutError。超时可以是int或float。如果未指定超时或无超时timeout=None，则会一直等待。如果在线程函数完成之前使用future对象取消了执行，则将引发CancelederRor如果线程函数完成但未引发，则返回None。

add_done_callback(fn)：将可调用fn附加到future对象。当future对象被取消或结束运行时，将调用fn，其中future对象是惟一的参数。添加的可调用对象是按照添加顺序调用的，并且总是在属于添加它们的进程的线程中调用。如果Callable引发异常子类，它将被记录并忽略。如果可调用引发BaseException子类，则行为未定义。

七、Module Functions

concurrent.futures.wait(fs, timeout=None, return_when=ALL_COMPLETED)：将fs绑定一个future实例，如果future执行完成或取消执行fs函数。

fs：fs是一个函数绑定在future实例（可能由不同的执行器实例创建）。返回2个命名元组的集合。第一组名为“done”，包含等待完成，完成前（完成或future对象取消）。第二组名为“not_done”，包含未完成的future（未完成或正在运行的future）。

timeout：如果为None一直等待，否则会等待timeout秒。

return_when ：必须是如下范围。

concurrent.futures.as_completed(fs, timeout=None)：返回一个future迭代器。

fs：可迭代对象的future。

timeout：超时时间，如果为None会一直阻塞直到执行完成。否则将等待timeout秒。

from concurrent.futures._base import as_completed
from concurrent.futures import ThreadPoolExecutor

def work(num):
    return num ** 2
if __name__ == '__main__':
    executor = ThreadPoolExecutor(max_workers=5)
    future_list = []  # 存放future对象
    for i in range(5):
        future_list.append(executor.submit(work, i))
    for future in as_completed(future_list):   # 这是一个无聊的用法
        res = future.result()
        print(f'结果：{res}')  # 打印工作线程返回的结果
# 打印结果如下

参考文档：https://docs.python.org/3/library/concurrent.futures.html

原文链接:https://www.cnblogs.com/caesar-id/p/11215910.html
如有疑问请与原作者联系

标签：

版权申明：本站文章部分自网络，如有侵权，请联系：west999com@outlook.com
特别注意：本站所有转载文章言论不代表本站观点，本站所提供的摄影照片，插画，设计作品，如需使用，请与原作者联系，版权归原作者所有