future初識

通過下面腳本來對future進(jìn)行一個初步了解：

例子1：普通通過循環(huán)的方式

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 = 'downloads/'
def save_flag(img,filename):
 path = os.path.join(DEST_DIR,filename)
 with open(path,'wb') as fp:
 fp.write(img)
def get_flag(cc):
 url = "{}/{cc}/{cc}.gif".format(BASE_URL,cc=cc.lower())
 resp = requests.get(url)
 return resp.content
def show(text):
 print(text,end=" ")
 sys.stdout.flush()
def download_many(cc_list):
 for cc in sorted(cc_list):
 image = get_flag(cc)
 show(cc)
 save_flag(image,cc.lower()+".gif")
 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))
if __name__ == '__main__':
 main(download_many)

    例子2：通過future方式實(shí)現(xiàn)，這里對上面的部分代碼進(jìn)行了復(fù)用

 from concurrent import futures
from flags import save_flag, get_flag, show, main
MAX_WORKERS = 20
def download_one(cc):
 image = get_flag(cc)
 show(cc)
 save_flag(image, cc.lower()+".gif")
 return cc
def download_many(cc_list):
 workers = min(MAX_WORKERS,len(cc_list))
 with futures.ThreadPoolExecutor(workers) as executor:
 res = executor.map(download_one, sorted(cc_list))
 return len(list(res))
if __name__ == '__main__':
 main(download_many)

    分別運(yùn)行三次，兩者的平均速度：13.67和1.59s，可以看到差別還是非常大的。

future

future是concurrent.futures模塊和asyncio模塊的重要組件

從python3.4開始標(biāo)準(zhǔn)庫中有兩個名為Future的類：concurrent.futures.Future和asyncio.Future
這兩個類的作用相同：兩個Future類的實(shí)例都表示可能完成或者尚未完成的延遲計算。與Twisted中的Deferred類、Tornado框架中的Future類的功能類似

注意：通常情況下自己不應(yīng)該創(chuàng)建future，而是由并發(fā)框架(concurrent.futures或asyncio)實(shí)例化

原因：future表示終將發(fā)生的事情，而確定某件事情會發(fā)生的唯一方式是執(zhí)行的時間已經(jīng)安排好，因此只有把某件事情交給concurrent.futures.Executor子類處理時，才會創(chuàng)建concurrent.futures.Future實(shí)例。
如：Executor.submit()方法的參數(shù)是一個可調(diào)用的對象，調(diào)用這個方法后會為傳入的可調(diào)用對象排定時間，并返回一個

future

客戶端代碼不能應(yīng)該改變future的狀態(tài)，并發(fā)框架在future表示的延遲計算結(jié)束后會改變期物的狀態(tài)，我們無法控制計算何時結(jié)束。

這兩種future都有.done()方法，這個方法不阻塞，返回值是布爾值，指明future鏈接的可調(diào)用對象是否已經(jīng)執(zhí)行?？蛻舳舜a通常不會詢問future是否運(yùn)行結(jié)束，而是會等待通知。因此兩個Future類都有.add_done_callback()方法，這個方法只有一個參數(shù)，類型是可調(diào)用的對象，future運(yùn)行結(jié)束后會調(diào)用指定的可調(diào)用對象。

.result()方法是在兩個Future類中的作用相同：返回可調(diào)用對象的結(jié)果，或者重新拋出執(zhí)行可調(diào)用的對象時拋出的異常。但是如果future沒有運(yùn)行結(jié)束，result方法在兩個Futrue類中的行為差別非常大。

對concurrent.futures.Future實(shí)例來說，調(diào)用.result()方法會阻塞調(diào)用方所在的線程，直到有結(jié)果可返回，此時，result方法可以接收可選的timeout參數(shù)，如果在指定的時間內(nèi)future沒有運(yùn)行完畢，會拋出TimeoutError異常。

而asyncio.Future.result方法不支持設(shè)定超時時間，在獲取future結(jié)果最好使用yield from結(jié)構(gòu)，但是concurrent.futures.Future不能這樣做

不管是asyncio還是concurrent.futures.Future都會有幾個函數(shù)是返回future，其他函數(shù)則是使用future,在最開始的例子中我們使用的Executor.map就是在使用future，返回值是一個迭代器，迭代器的__next__方法調(diào)用各個future的result方法，因此我們得到的是各個futrue的結(jié)果，而不是future本身

關(guān)于future.as_completed函數(shù)的使用，這里我們用了兩個循環(huán)，一個用于創(chuàng)建并排定future,另外一個用于獲取future的結(jié)果

from concurrent import futures
from flags import save_flag, get_flag, show, main
MAX_WORKERS = 20
def download_one(cc):
 image = get_flag(cc)
 show(cc)
 save_flag(image, cc.lower()+".gif")
 return cc
def download_many(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)
  to_do.append(future)
  msg = "Secheduled for {}:{}"
  print(msg.format(cc,future))
 results = []
 for future in futures.as_completed(to_do):
  res = future.result()
  msg = "{}result:{!r}"
  print(msg.format(future,res))
  results.append(res)
 return len(results)
if __name__ == '__main__':
 main(download_many)

    結(jié)果如下：

注意：Python代碼是無法控制GIL，標(biāo)準(zhǔn)庫中所有執(zhí)行阻塞型IO操作的函數(shù)，在等待操作系統(tǒng)返回結(jié)果時都會釋放GIL.運(yùn)行其他線程執(zhí)行，也正是因?yàn)檫@樣，Python線程可以在IO密集型應(yīng)用中發(fā)揮作用

以上都是concurrent.futures啟動線程，下面通過它啟動進(jìn)程

concurrent.futures啟動進(jìn)程

concurrent.futures中的ProcessPoolExecutor類把工作分配給多個Python進(jìn)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，利用所有的CPU核心。

其原理是一個ProcessPoolExecutor創(chuàng)建了N個獨(dú)立的Python解釋器，N是系統(tǒng)上面可用的CPU核數(shù)。

使用方法和ThreadPoolExecutor方法一樣

總結(jié)

最新評論