learning from 《流畅的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): # 保存图像
path = os.path.join(DEST_DIR, filename)
with open(path, 'wb') as fp:
fp.write(img)
def get_flag(cc): # 获取图像
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) # 获取
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)) # 计时信息
# ----使用 futures.ThreadPoolExecutor 类实现多线程下载
from concurrent import futures
MAX_WORKERS = 20 # 最多使用几个线程
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:
# 使用工作的线程数实例化 ThreadPoolExecutor 类；
# executor.__exit__ 方法会调用 executor.shutdown(wait=True) 方法，
# 它会在所有线程都执行完毕 前阻塞线程
res = executor.map(download_one, sorted(cc_list))
# download_one 函数 会在多个线程中并发调用；
# map 方法返回一个生成器，因此可以迭代， 获取各个函数返回的值
return len(list(res))
if __name__ == '__main__':
# main(download_many) # 24 秒
main(download_many_1) # 3 秒2. 期物
通常不应自己创建期物
只能由并发框架（concurrent.futures 或 asyncio）实例化 原因：期物 表示终将发生的事情，其 执行的时间 已经排定。因此，只有排定把某件事交给 concurrent.futures.Executor 子类处理时，才会创建 concurrent.futures.Future 实例
例如，Executor.submit() 方法的参数是一个可调用的对象，调用这个方法后会为传入的可调用对象 排期，并返回一个期物
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 方法排定可调用对象的执行时间，
# 然后返回一个 期物，表示这个待执行的操作
to_do.append(future) # 存储各个期物
msg = 'Scheduled for {}: {}'
print(msg.format(cc, future))
results = []
for future in futures.as_completed(to_do):
# as_completed 函数在期物运行结束后产出期物
res = future.result() # 获取期物的结果
msg = '{} result: {!r}'
print(msg.format(future, res))
results.append(res)
return len(results)输出：
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 3.20s3. 阻塞型I/O和GIL
CPython 解释器本身就不是线程安全的，因此有全局解释器锁（GIL）， 一次只允许使用一个线程执行 Python 字节码。因此，一个 Python 进程 通常不能同时使用多个 CPU 核心
标准库中所有执行阻塞型 I/O 操作的函数，在等待操作系统返回结果时 都会释放 GIL。 这意味着在 Python 语言这个层次上可以使用多线程，而 I/O 密集型 Python 程序能从中受益：一个 Python 线程等待网络响应时，阻塞型 I/O 函数会释放 GIL，再运行一个线程（网络下载，文件读写都属于 IO 密集型）
4. 使用concurrent.futures模块启动进程
这个模块实现的是真正 的并行计算，因为它使用 ProcessPoolExecutor 类把工作分配给多个 Python 进程处理。 因此，如果需要做 CPU 密集型处理，使用这个模块 能绕开 GIL，利用所有可用的 CPU 核心
点击查看：进程、线程概念差异
使用 concurrent.futures 模块能特别轻松地 把 基于线程 的方案转成 基于进程 的方案
ProcessPoolExecutor 的价值体现在 CPU 密集型 作业上
以上就是python使用期物处理并发教程的详细内容，更多关于python期物处理并发的资料请关注编程网其它相关文章！
