Python 并發編程實戰：優雅地使用 Concurrent.futures

作者：piperliu 2024-12-24 08:03:56

Concurrent.futures? 模塊為 Python 并發編程提供了一個優雅的高級接口。相比傳統的 threading? / multiprocessing 模塊。

在 Python 多線程編程中，concurrent.futures 模塊提供了一個高層的接口來異步執行可調用對象。今天，我們將通過一個循序漸進的案例，深入了解如何使用這個強大的工具。

從一個模擬場景開始

假設我們需要處理一批網絡請求。為了模擬這個場景，我們使用 sleep 來代表耗時操作：

import time
import random

def slow_operation(task_id):
    """模擬一個耗時的網絡請求"""
    sleep_time = random.uniform(0.5, 2)
    time.sleep(sleep_time)
    return f"Task {task_id} completed in {sleep_time:.2f} seconds"

# 串行處理
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"串行處理總耗時：{end - start:.2f} 秒")
    return results

# 運行示例
if __name__ == '__main__':
    results = process_serial()
    for r in results:
        print(r)

串行處理總耗時：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

運行這段代碼，你會發現處理 10 個任務需要大約 10-15 秒。這顯然不夠高效。

使用傳統的 threading 模塊

讓我們先看看使用傳統的 threading 模塊如何改進：

import threading
from queue import Queue

def slow_operation(task_id):
    """模擬一個耗時的網絡請求"""
    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()
    
    # 填充工作隊列
    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個線程
        t = threading.Thread(target=worker)
        t.start()
        threads.append(t)
    
    for t in threads:
        t.join()
    
    end = time.perf_counter()
    print(f"多線程處理總耗時：{end - start:.2f} 秒")
    return results

多線程處理總耗時：3.24 秒

這個版本使用了多線程，性能確實提升了，但代碼比較復雜，需要手動管理線程、鎖和隊列。

concurrent.futures 的優雅解決方案

現在，讓我們看看如何使用 concurrent.futures 來簡化代碼：

import time
import random
from concurrent.futures import ThreadPoolExecutor, as_completed

def slow_operation(task_id):
    """模擬一個耗時的網絡請求"""
    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 = []
    
    # 創建線程池，設置最大線程數為4
    with ThreadPoolExecutor(max_workers=4) as executor:
        # 提交任務到線程池
        future_to_id = {executor.submit(slow_operation, i): i for i in range(10)}
        
        # 獲取結果
        for future in as_completed(future_to_id):
            results.append(future.result())
    
    end = time.perf_counter()
    print(f"concurrent.futures 處理總耗時：{end - start:.2f} 秒")
    return results

process_concurrent()

concurrent.futures 處理總耗時：3.54 秒

這里我們用到了幾個關鍵概念：

ThreadPoolExecutor ：線程池執行器，用于管理一組工作線程。創建時可以指定最大線程數。
executor.submit() ：向線程池提交一個任務。返回 Future 對象，代表將來某個時刻會完成的操作。
as_completed() ：返回一個迭代器，在 Future 完成時產生對應的 Future 對象。這意味著結果是按照完成順序而不是提交順序返回的。

Future 對象的高級用法

Future 對象提供了多個有用的方法，讓我們通過實例來了解：

import time
import random
from concurrent.futures import ThreadPoolExecutor, wait, FIRST_COMPLETED

def slow_operation(task_id):
    """模擬一個耗時的網絡請求"""
    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:
        # 提交任務并獲取 Future 對象
        futures = [executor.submit(slow_operation, i) for i in range(10)]
        
        # 1. done() 檢查任務是否完成
        print("檢查第一個任務是否完成:", futures[0].done())
        
        # 2. 使用 wait() 等待部分任務完成
        done, not_done = wait(futures, return_when=FIRST_COMPLETED)
        print(f"完成的任務數: {len(done)}, 未完成的任務數: {len(not_done)}")
        
        # 3. 獲取結果時設置超時
        try:
            result = futures[0].result(timeout=1.0)
            print("獲取到結果:", result)
        except TimeoutError:
            print("獲取結果超時")
        
        # 4. cancel() 取消未開始的任務
        for f in not_done:
            cancelled = f.cancel()
            print(f"取消任務: {'成功' if cancelled else '失敗'}")

demonstrate_future_features()

檢查第一個任務是否完成: False
完成的任務數: 1, 未完成的任務數: 9
獲取到結果: Task 0 completed in 1.07 seconds
取消任務: 失敗
取消任務: 成功
取消任務: 成功
取消任務: 失敗
取消任務: 失敗
取消任務: 失敗
取消任務: 失敗
取消任務: 成功
取消任務: 失敗

線程/進程池還是異步 IO？

IO 密集型任務：優先選擇 asyncio

為什么選擇 asyncio ？

更低的資源開銷： asyncio 使用協程，不需要創建額外的線程或進程
更高的并發量：單線程可以輕松處理數千個并發任務
沒有 GIL 的限制：協程在單線程內切換，完全規避了 GIL 的影響

讓我們通過一個網絡請求的例子來對比：

import asyncio
import time
from concurrent.futures import ThreadPoolExecutor

# 模擬網絡請求
def sync_request(url):
    time.sleep(1)  # 模擬網絡延遲
    return f"Response from {url}"

async def async_request(url):
    await asyncio.sleep(1)  # 模擬網絡延遲
    return f"Response from {url}"

# 使用線程池
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 耗時: {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 耗時: {end - start:.2f} 秒")
    return results

if __name__ == '__main__':
    # 運行線程池版本
    thread_results = thread_pool_example()
    
    # 運行 asyncio 版本
    asyncio_results = asyncio.run(asyncio_example())

ThreadPoolExecutor 耗時: 5.03 秒
asyncio 耗時: 1.00 秒

在這個例子中， asyncio 版本通常會表現出更好的性能，尤其是在并發量大的情況下。

CPU 密集型任務：使用 ProcessPoolExecutor

為什么選擇多進程？

繞過 GIL：每個進程都有自己的 Python 解釋器和 GIL
充分利用多核性能：可以真正實現并行計算
適合計算密集型任務：如數據處理、圖像處理等

來看一個計算密集型任務的對比：

import time
from concurrent.futures import ProcessPoolExecutor, ThreadPoolExecutor

def cpu_intensive_task(n):
    """計算密集型任務：計算大量浮點數運算"""
    result = 0
    for i in range(n):
        result += i ** 2 / 3.14
    return result

def compare_performance():
    numbers = [10**6] * 20  # 20個大規模計算任務
    
    # 使用線程池
    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"線程池耗時: {thread_time:.2f} 秒")
    
    # 使用進程池
    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"進程池耗時: {process_time:.2f} 秒")

if __name__ == '__main__':
    compare_performance()

線程池耗時: 4.61 秒
進程池耗時: 1.34 秒

在這種場景下， ProcessPoolExecutor 的性能明顯優于 ThreadPoolExecutor 。

混合型任務：ThreadPoolExecutor 的優勢

為什么有時候選擇線程池？

更容易與現有代碼集成：大多數 Python 庫都是基于同步設計的
資源開銷比進程池小：線程共享內存空間

適合 IO 和 CPU 混合的場景：當任務既有 IO 操作又有計算時

示例場景：

import time
from concurrent.futures import ProcessPoolExecutor, ThreadPoolExecutor

def mixed_task(task_id):
    """混合型任務：既有 IO 操作又有計算"""
    # IO 操作
    time.sleep(0.5)
    
    # CPU 計算
    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)
    
    # 使用線程池
    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"線程池處理混合任務耗時: {thread_time:.2f} 秒")
    
    # 使用進程池
    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"進程池處理混合任務耗時: {process_time:.2f} 秒")

if __name__ == '__main__':
    demonstrate_mixed_workload()

線程池處理混合任務耗時: 3.05 秒
進程池處理混合任務耗時: 3.11 秒

選擇建議的決策樹

在選擇并發方案時，可以參考以下決策流程：

首先判斷任務類型：

如果是純 IO 密集型（網絡請求、文件操作），優先選擇 asyncio。
如果是純 CPU 密集型（大量計算），優先選擇 ProcessPoolExecutor。
如果是混合型任務，考慮使用 ThreadPoolExecutor。

考慮其他因素：

現有代碼是否易于改造為異步？
是否需要與同步代碼交互？
并發量有多大？
是否需要跨進程通信？

def choose_concurrency_model(task_type, 
                           concurrent_count,
                           legacy_code=False,
                           need_shared_memory=False):
    """幫助選擇并發模型的示例函數"""
    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"

性能對比總結

方案	IO密集型	CPU密集型	混合型	資源開銷	代碼復雜度
asyncio	最佳	較差	好	最低	較高
ThreadPoolExecutor	好	較差	較好	低	低
ProcessPoolExecutor	一般	最佳	一般	高	低

總的來說，選擇合適的并發方案需要綜合考慮任務特性、性能需求、代碼復雜度等多個因素。在實際應用中，有時候甚至可以混合使用多種方案，以達到最優的性能表現。

實用技巧總結

控制線程池大小

def demonstrate_pool_sizing():
    # CPU 核心數
    cpu_count = os.cpu_count()
    # IO 密集型任務，線程數可以設置為核心數的 1-4 倍
    io_bound_workers = cpu_count * 2
    # CPU 密集型任務，線程數不應超過核心數
    cpu_bound_workers = cpu_count

    print(f"推薦的線程數：")
    print(f"IO 密集型任務：{io_bound_workers}")
    print(f"CPU 密集型任務：{cpu_bound_workers}")

批量提交任務

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

錯誤處理

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"錯誤：{str(e)}")

總結

concurrent.futures 模塊為 Python 并發編程提供了一個優雅的高級接口。相比傳統的 threading / multiprocessing 模塊，它具有以下優勢：

使用線程池自動管理線程的生命周期
提供簡潔的接口提交任務和獲取結果
支持超時和錯誤處理
代碼更加 Pythonic 和易于維護

責任編輯：姜華來源： Piper蛋窩

Python 并發編程接口