python使用期物處理並發教程
learning from 《流暢的python》
1. futures.ThreadPoolExecutor
import os import time import sys import requests POP20_CC = ('CN IN US ID BR PK NG BD RU JP ' 'MX PH VN ET EG DE IR TR CD FR').split() BASE_URL = 'http://flupy.org/data/flags' DEST_DIR = './' def save_flag(img, filename): # 保存圖像 path = os.path.join(DEST_DIR, filename) with open(path, 'wb') as fp: fp.write(img) def get_flag(cc): # 獲取圖像 url = '{}/{cc}/{cc}.gif'.format(BASE_URL, cc=cc.lower()) resp = requests.get(url) return resp.content def show(text): # 打印信息 print(text, end=' ') sys.stdout.flush() def download_many(cc_list): for cc in sorted(cc_list): image = get_flag(cc) # 獲取 show(cc) # 打印 save_flag(image, cc.lower() + '.gif') # 保存 return len(cc_list) def main(download_many): t0 = time.time() count = download_many(POP20_CC) elapsed = time.time() - t0 msg = '\n{} flags downloaded in {:.2f}s' print(msg.format(count, elapsed)) # 計時信息 # ----使用 futures.ThreadPoolExecutor 類實現多線程下載 from concurrent import futures MAX_WORKERS = 20 # 最多使用幾個線程 def download_one(cc): image = get_flag(cc) show(cc) save_flag(image, cc.lower() + '.gif') return cc def download_many_1(cc_list): workers = min(MAX_WORKERS, len(cc_list)) with futures.ThreadPoolExecutor(workers) as executor: # 使用工作的線程數實例化 ThreadPoolExecutor 類; # executor.__exit__ 方法會調用 executor.shutdown(wait=True) 方法, # 它會在所有線程都執行完畢 前阻塞線程 res = executor.map(download_one, sorted(cc_list)) # download_one 函數 會在多個線程中並發調用; # map 方法返回一個生成器,因此可以迭代, 獲取各個函數返回的值 return len(list(res)) if __name__ == '__main__': # main(download_many) # 24 秒 main(download_many_1) # 3 秒
2. 期物
通常不應自己創建期物
隻能由並發框架(concurrent.futures 或 asyncio)實例化 原因:期物 表示終將發生的事情,其 執行的時間 已經排定。因此,隻有排定把某件事交給 concurrent.futures.Executor 子類處理時,才會創建 concurrent.futures.Future 實例
例如,Executor.submit() 方法的參數是一個可調用的對象,調用這個方法後會為傳入的可調用對象 排期,並返回一個期物
def download_many_2(cc_list): cc_list = cc_list[:5] with futures.ThreadPoolExecutor(max_workers=3) as executor: to_do = [] for cc in sorted(cc_list): future = executor.submit(download_one, cc) # executor.submit 方法排定可調用對象的執行時間, # 然後返回一個 期物,表示這個待執行的操作 to_do.append(future) # 存儲各個期物 msg = 'Scheduled for {}: {}' print(msg.format(cc, future)) results = [] for future in futures.as_completed(to_do): # as_completed 函數在期物運行結束後產出期物 res = future.result() # 獲取期物的結果 msg = '{} result: {!r}' print(msg.format(future, res)) results.append(res) return len(results)
輸出: Scheduled for BR: <Future at 0x22da99d2d30 state=running> Scheduled for CN: <Future at 0x22da99e1040 state=running> Scheduled for ID: <Future at 0x22da99e1b20 state=running> Scheduled for IN: <Future at 0x22da99ec520 state=pending> Scheduled for US: <Future at 0x22da99ecd00 state=pending> CN <Future at 0x22da99e1040 state=finished returned str> result: 'CN' BR <Future at 0x22da99d2d30 state=finished returned str> result: 'BR' ID <Future at 0x22da99e1b20 state=finished returned str> result: 'ID' IN <Future at 0x22da99ec520 state=finished returned str> result: 'IN' US <Future at 0x22da99ecd00 state=finished returned str> result: 'US' 5 flags downloaded in 3.20s
3. 阻塞型I/O和GIL
CPython 解釋器本身就不是線程安全的,因此有全局解釋器鎖(GIL), 一次隻允許使用一個線程執行 Python 字節碼。因此,一個 Python 進程 通常不能同時使用多個 CPU 核心
標準庫中所有執行阻塞型 I/O 操作的函數,在等待操作系統返回結果時 都會釋放 GIL。 這意味著在 Python 語言這個層次上可以使用多線程,而 I/O 密集型 Python 程序能從中受益:一個 Python 線程等待網絡響應時,阻塞型 I/O 函數會釋放 GIL,再運行一個線程(網絡下載,文件讀寫都屬於 IO 密集型)
4. 使用concurrent.futures模塊啟動進程
這個模塊實現的是真正 的並行計算,因為它使用 ProcessPoolExecutor 類把工作分配給多個 Python 進程處理。 因此,如果需要做 CPU 密集型處理,使用這個模塊 能繞開 GIL,利用所有可用的 CPU 核心
點擊查看:進程、線程概念差異
使用 concurrent.futures 模塊能特別輕松地 把 基於線程 的方案轉成 基於進程 的方案
ProcessPoolExecutor 的價值體現在 CPU 密集型 作業上
以上就是python使用期物處理並發教程的詳細內容,更多關於python期物處理並發的資料請關註WalkonNet其它相關文章!
推薦閱讀:
- python concurrent.futures模塊的使用測試
- Python並發編程之未來模塊Futures
- python中ThreadPoolExecutor線程池和ProcessPoolExecutor進程池
- 一文詳解Python中多進程和進程池的使用方法
- python進階之協程你瞭解嗎