当前位置:首页 > 文章列表 > 文章 > python教程 > 多线程安全更新rich进度条方法详解

多线程安全更新rich进度条方法详解

2026-02-01 15:36:43 0浏览 收藏

来到golang学习网的大家,相信都是编程学习爱好者,希望在这里学习文章相关编程知识。下面本篇文章就来带大家聊聊《在多线程中安全更新 rich.progress 进度条,关键在于确保对进度条的访问是线程安全的。由于 rich 库本身并不是为多线程设计的,直接从多个线程中更新进度条可能导致 UI 不一致或崩溃。以下是几种推荐的方法来实现安全的多线程进度更新:✅ 方法一:使用主线程更新(推荐)原理: 在主线程中维护一个共享的进度状态变量,由子线程定期更新这个变量,主线程负责实际更新进度条。import threading from rich.progress import Progress import time progress = Progress() shared_progress = 0 def worker(): for i in range(100): time.sleep(0.05) shared_progress = i + 1 # 注意:这里不是赋值,而是通过某种方式传递 def update_progress(): with progress: while shared_progress

多线程下需用 threading.Lock 串行化 rich.progress.update() 调用,主线程创建 Progress 和锁,子线程持 task_id 并在锁内更新;或改用 Live 配合线程安全状态管理;multiprocessing 不支持 Progress 共享。

如何让 rich.progress 在多线程中安全更新进度条

rich.progress 多线程下直接更新会崩溃

直接在多个线程里调用 progress.update() 会导致 RuntimeError: Cannot update progress bar from multiple threads。这是因为 Progress 内部的渲染器(ConsoleRender)不是线程安全的,且进度条状态(如任务计数、已用时间)共享但未加锁。

用 threading.Lock 手动同步更新操作

最轻量、可控性最强的做法:所有对 progress.update() 的调用都包裹在一个全局 threading.Lock 里。这不是“绕过” rich 的限制,而是显式地串行化 UI 更新逻辑。

  • 必须在主线程创建 Progress 实例和 Lock,然后传给子线程
  • 每次调用 progress.update(task_id, advance=1) 前必须 lock.acquire(),完成后 lock.release()(推荐用 with lock:)
  • 不要在锁内做耗时操作(比如文件读写、网络请求),否则会严重拖慢整体进度更新响应
  • task_id 必须由主线程分配并传入线程,不能在线程里调用 progress.add_task()
from rich.progress import Progress
import threading
import time

progress = Progress() lock = threading.Lock() task = progress.add_task("[cyan]Processing...", total=100)

def worker(i): time.sleep(0.1) # 模拟工作 with lock: progress.update(task, advance=1)

threads = [threading.Thread(target=worker, args=(i,)) for i in range(100)] for t in threads: t.start() for t in threads: t.join()

progress.stop()

改用 rich.live.Live 配合手动状态管理

当需要更灵活的多线程 UI(比如显示多个实时指标、非进度类状态),Live 比 Progress 更适合——它只负责刷新整个渲染结果,不管理任务生命周期,因此线程安全责任完全落在你身上。

  • 用一个线程安全的数据结构(如 threading.local() 或带锁的 dict)收集各线程状态
  • 单独起一个刷新线程,定期读取状态、构造新文本,再调用 live.update()
  • 避免在 live.update() 中做计算;所有聚合逻辑放在刷新线程外
  • 注意 Live 默认启用 refresh_per_second=4,太高会刷屏,太低会卡顿

别碰 multiprocessing —— rich.progress 本身不支持进程间共享

Progress 对象无法被序列化(pickle),也不能跨进程传递。即使你用 Manager 或 Queue 试图同步进度,在子进程中调用 progress.update() 会直接报 AttributeError 或静默失败。

  • 如果必须用多进程,只能让子进程通过 Queue 发送完成信号,由主线程统一更新 Progress
  • 别尝试在子进程里 import rich 或创建新 Progress —— 控制台输出会混乱,甚至阻塞
  • 考虑换用 tqdm + concurrent.futures.as_completed 这类更适配多进程的组合

真正麻烦的不是“怎么更新”,而是“谁来决定更新时机”。rich 的设计默认把进度控制权交给单一线程,强行多线程更新容易掩盖数据竞争问题——比如两个线程同时 advance=1,却只生效一次。锁只是表层解法,背后得理清你的工作流是否真的需要并发更新 UI。

到这里,我们也就讲完了《多线程安全更新rich进度条方法详解》的内容了。个人认为,基础知识的学习和巩固,是为了更好的将其运用到项目中,欢迎关注golang学习网公众号,带你了解更多关于的知识点!

PHP方法名404问题解决方法PHP方法名404问题解决方法
上一篇
PHP方法名404问题解决方法
传统节日与人造节日起源解析
下一篇
传统节日与人造节日起源解析
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    375次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    447次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    455次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    399次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    226次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码