Python线程池\_concurrent模块使用教程
2026-03-04 09:46:10
0浏览
收藏
本文深入讲解了Python中使用concurrent.futures.ThreadPoolExecutor构建高效线程池的实战方法,涵盖从基础创建、并发控制(max_workers设置)、结果获取(map()保持顺序 vs submit()+as_completed()按完成顺序处理)到异常捕获与超时管理等关键技巧,并直击共享状态风险、嵌套线程池陷阱、阻塞操作隐患等真实开发痛点,同时清晰对比了ThreadPoolExecutor与ProcessPoolExecutor、asyncio等方案的适用边界——帮你避开常见误区,在I/O密集型任务中真正释放并发性能。

Python 中使用线程池最推荐的方式是 concurrent.futures.ThreadPoolExecutor,它封装了底层 threading 的复杂性,提供简洁、安全、易控的接口。不需要手动管理线程创建、回收或队列,适合绝大多数 I/O 密集型任务(如网络请求、文件读写、数据库查询)。
创建并使用 ThreadPoolExecutor
通过上下文管理器(with)自动管理生命周期是最稳妥的做法:
from concurrent.futures import ThreadPoolExecutor import timedef fetch_data(url): time.sleep(1) # 模拟网络延迟 return f"Data from {url}"
urls = ["https://a.com", "https://b.com", "https://c.com"]
with ThreadPoolExecutor(max_workers=3) as executor: results = list(executor.map(fetch_data, urls))
print(results)
输出: ['Data from https://a.com', 'Data from https://b.com', 'Data from https://c.com']
- max_workers 控制并发线程数,默认为
min(32, os.cpu_count() + 4);I/O 密集型任务可适当设高(如 10–30),CPU 密集型建议用进程池 executor.map()保持输入顺序,返回迭代器,适合批量调用同一函数- 若需异步获取结果或处理异常,改用
submit()+future.result()
提交任务并获取异步结果
当需要单独控制每个任务(比如不同参数、不同回调、超时处理)时,用 submit():
from concurrent.futures import ThreadPoolExecutor, as_completed import randomdef task(n): time.sleep(random.uniform(0.5, 2)) if n == 2: raise ValueError("Simulated error") return f"Task {n} done"
with ThreadPoolExecutor(max_workers=3) as executor:
提交多个任务,得到 Future 对象列表
futures = [executor.submit(task, i) for i in range(5)] # 方式1:按完成顺序获取结果(推荐用于有快慢差异的任务) for future in as_completed(futures): try: print(future.result()) # 自动抛出任务中异常 except Exception as e: print(f"Task failed: {e}") # 方式2:按提交顺序获取(类似 map) # for future in futures: # try: # print(future.result(timeout=3)) # 可加超时 # except TimeoutError: # print("Task timed out")
as_completed()返回一个生成器,谁先完成谁先 yield,适合“不等最慢那个”的场景future.result(timeout=...)支持超时控制,超时会抛concurrent.futures.TimeoutError- 任务内异常不会立即抛出,而是在调用
result()时才触发,便于统一捕获
常见陷阱与注意事项
线程池不是万能加速器,用错反而降低性能或引发问题:
- 避免在多线程中共享可变全局状态 —— 如修改同一个 list/dict 而不加锁,会导致数据错乱;优先用线程局部变量(
threading.local())或传参返回 - 不要在线程中启动新的线程池 —— 嵌套使用易导致资源耗尽或死锁
- 长时间阻塞操作(如无超时的 socket.recv)会让线程卡住 —— 务必设置超时或用非阻塞+轮询
- ThreadPoolExecutor 不支持动态调整 max_workers —— 需要不同并发度时,应新建实例
- 主线程退出时,未完成任务可能被丢弃 —— 确保用
with或显式调用shutdown(wait=True)
替代方案对比:何时不用 ThreadPoolExecutor
虽然它是标准库首选,但某些场景有更优选择:
- 纯 CPU 密集型计算(如数值运算、图像处理)→ 改用
ProcessPoolExecutor,绕过 GIL 限制 - 需要精细控制线程生命周期(如长驻工作线程、消息循环)→ 直接用
threading.Thread+queue.Queue - 高并发 I/O(数千连接)→ 考虑异步方案:
asyncio+aiohttp,比线程池内存和调度开销更低 - 已有老项目用
threading手动管理 → 不必强改,但新代码优先用futures
今天带大家了解了的相关知识,希望对你有所帮助;关于文章的技术知识我们会一点点深入介绍,欢迎大家关注golang学习网公众号,一起学习编程~
GolangLocker接口详解与锁设计思路
- 上一篇
- GolangLocker接口详解与锁设计思路
- 下一篇
- 离职后社保公积金怎么处理?
查看更多
最新文章
-
- 文章 · python教程 | 2天前 | 线程池 · Python 线程池 concurrent.futures 任务取消 Future.cancel
- Python concurrent.futures.Future.cancel 怎样判断任务能否取消
- 143浏览 收藏
-
- 文章 · python教程 | 2天前 | 标准库 · HTTP服务 · 多线程 · Python教程 · Python 并发请求 http.server ThreadingHTTPServer ThreadingMixIn BaseHTTPRequestHandler
- Python http.server ThreadingHTTPServer 怎样处理并发请求
- 481浏览 收藏
-
- 文章 · python教程 | 2天前 |
- Python tarfile.TarInfo.replace 怎样复制归档成员属性
- 308浏览 收藏
-
- 文章 · python教程 | 2天前 | 并发编程 · Python教程 · Python 多进程 multiprocessing forkserver 启动上下文
- Python multiprocessing forkserver 怎样处理进程启动上下文
- 232浏览 收藏
-
- 文章 · python教程 | 2天前 | 标准库 · 异步编程 · Python教程 · Python asyncio StreamReader readexactly IncompleteReadError 异步流
- Python asyncio.StreamReader.readexactly 怎样处理不足长度的输入
- 427浏览 收藏
-
- 文章 · python教程 | 2天前 |
- Python operator.length_hint 怎样为未知长度迭代器设置估计值
- 336浏览 收藏
-
- 文章 · python教程 | 2天前 | 标准库 · Python教程 · Python warnings catch_warnings simplefilter filterwarnings 警告过滤
- Python warnings context manager 怎样临时调整警告过滤
- 255浏览 收藏
-
- 文章 · python教程 | 2天前 | 调试 · python · 异步编程 · Python asyncio introspection current_task all_tasks
- Python asyncio introspection 怎样定位当前任务
- 120浏览 收藏
-
- 文章 · python教程 | 2天前 | 标准库 · Python教程 · Python 类型注解 Python 3.14 annotationlib get_annotations ForwardRef 延迟注解
- Python 3.14 annotationlib.get_annotations 怎样读取延迟注解
- 423浏览 收藏
-
- 文章 · python教程 | 2天前 |
- Python 3.14 跨解释器 Queue.put 的阻塞与 QueueFull 处理方案
- 157浏览 收藏
-
- 文章 · python教程 | 2天前 | xml · python · Python xml xml.etree.ElementTree canonicalize C14N
- Python xml.etree.ElementTree.canonicalize 怎样生成稳定的 XML 文本
- 151浏览 收藏
查看更多
课程推荐
-
- 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
- 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
- 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
- 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
- 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
- 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。
- 1173次使用
-
- 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。
- 1158次使用
-
- 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。
- 1341次使用
-
- 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。
- 1282次使用
-
- 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。
- 1143次使用
查看更多
相关文章
-
- Python TaskGroup 怎样让子任务失败统一收敛
- 2026-11-12 501浏览
-
- Python xml.dom.minidom.unlink 怎样释放不再使用的 DOM 树引用
- 2026-10-27 501浏览
-
- Python typing 怎样用 TypeIs 缩小类型
- 2026-10-24 501浏览
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览

