LabEx
登录免费加入

如何实现并发任务

PythonBeginner
立即练习

简介

本全面教程探讨了 Python 中的并发任务实现，为开发者提供了增强应用程序性能和效率的关键技术。通过理解并发基础并利用 Python 强大的并发编程工具，读者将学习如何编写可扩展且响应迅速的代码，以有效地同时管理多个任务。

并发基础

什么是并发？

并发是一种编程范式，它允许多个任务同时取得进展。在 Python 中，并发使开发者能够通过并发执行多个操作而非顺序执行，来编写更高效且响应迅速的应用程序。

并发的类型

1. 并行与并发

graph TD A[并发] --> B[并行] A --> C[协作式多任务处理] B --> D[多个CPU/核心] C --> E[单个CPU/核心]
类型 描述 特点
并行 同时执行 多个任务同时运行
并发 在多个任务上取得进展 任务可以在重叠的时间段内开始、运行并完成

2. I/O 密集型任务与 CPU 密集型任务

  • I/O 密集型任务：大部分时间都在等待输入/输出操作的操作
  • CPU 密集型任务：需要大量处理器时间的计算密集型操作

并发挑战

竞态条件

当多个任务同时访问共享资源时，会导致不可预测的结果。

死锁

两个或多个任务由于彼此等待对方释放资源而无法继续进行的情况。

基本并发示例

import concurrent.futures
import time

def worker(task_id):
    print(f"任务 {task_id} 开始")
    time.sleep(2)
    print(f"任务 {task_id} 完成")
    return task_id

def main():
    with concurrent.futures.ThreadPoolExecutor(max_workers=3) as executor:
        futures = [executor.submit(worker, i) for i in range(5)]

        for future in concurrent.futures.as_completed(futures):
            result = future.result()
            print(f"结果: {result}")

if __name__ == "__main__":
    start_time = time.time()
    main()
    print(f"总执行时间: {time.time() - start_time:.2f} 秒")

何时使用并发

  • 网页抓取
  • 网络编程
  • 数据处理
  • I/O 密集型应用程序

关键要点

  1. 并发可提高应用程序的响应速度
  2. 不同的方法适用于不同类型的问题
  3. 谨慎管理可防止常见陷阱

在 LabEx，我们建议在深入学习高级并发编程技术之前，先理解这些基本概念。

Python 并发工具

并发编程工具概述

Python 提供了多种用于实现并发编程的工具，每个工具都有其独特的特性和用例。

graph TD A[Python 并发工具] --> B[线程模块] A --> C[多进程模块] A --> D[异步 I/O 模块] A --> E[并发执行模块]

1. 线程模块

关键特性

  • 轻量级
  • 共享内存
  • 全局解释器锁 (GIL) 的限制
import threading
import time

def worker(thread_id):
    print(f"线程 {thread_id} 已启动")
    time.sleep(2)
    print(f"线程 {thread_id} 已完成")

def main():
    threads = []
    for i in range(3):
        thread = threading.Thread(target=worker, args=(i,))
        threads.append(thread)
        thread.start()

    for thread in threads:
        thread.join()

if __name__ == "__main__":
    main()

2. 多进程模块

关键特性

  • 真正的并行
  • 独立的内存空间
  • 绕过 GIL 的限制
import multiprocessing
import time

def worker(process_id):
    print(f"进程 {process_id} 已启动")
    time.sleep(2)
    print(f"进程 {process_id} 已完成")

def main():
    processes = []
    for i in range(3):
        process = multiprocessing.Process(target=worker, args=(i,))
        processes.append(process)
        process.start()

    for process in processes:
        process.join()

if __name__ == "__main__":
    main()

3. 异步 I/O 模块

关键特性

  • 事件驱动
  • 基于协程
  • 非阻塞 I/O 操作
import asyncio

async def worker(task_id):
    print(f"任务 {task_id} 已启动")
    await asyncio.sleep(2)
    print(f"任务 {task_id} 已完成")

async def main():
    tasks = [worker(i) for i in range(3)]
    await asyncio.gather(*tasks)

if __name__ == "__main__":
    asyncio.run(main())

4. 并发执行模块

关键特性

  • 高级接口
  • 线程池和进程池
  • 易于任务提交和结果检索
from concurrent.futures import ThreadPoolExecutor, as_completed

def worker(task_id):
    print(f"任务 {task_id} 正在处理")
    return task_id * task_id

def main():
    with ThreadPoolExecutor(max_workers=3) as executor:
        futures = [executor.submit(worker, i) for i in range(5)]

        for future in as_completed(futures):
            result = future.result()
            print(f"结果: {result}")

if __name__ == "__main__":
    main()

并发工具比较

工具 用例 优点 缺点
线程模块 I/O 密集型任务 轻量级 GIL 限制
多进程模块 CPU 密集型任务 真正的并行 更高的内存开销
异步 I/O 模块 网络 I/O 高效、非阻塞 复杂的编程模型
并发执行模块 简单的并行执行 易于使用 灵活性有限

选择合适的工具

  • I/O 密集型：线程模块或异步 I/O 模块
  • CPU 密集型：多进程模块
  • 简单的并行任务：并发执行模块

在 LabEx，我们建议了解每个工具的优缺点，以便做出明智的设计决策。

实用并发模式

并发设计模式概述

graph TD A[并发模式] --> B[生产者 - 消费者模式] A --> C[线程池模式] A --> D[互斥锁与锁] A --> E[信号量模式] A --> F[基于队列的协调模式]

1. 生产者 - 消费者模式

使用队列实现

import queue
import threading
import time
import random

class ProducerConsumer:
    def __init__(self, queue_size=10):
        self.task_queue = queue.Queue(maxsize=queue_size)
        self.producers_done = False

    def producer(self, producer_id):
        for i in range(5):
            item = random.randint(1, 100)
            self.task_queue.put(item)
            print(f"生产者 {producer_id} 生产了: {item}")
            time.sleep(random.random())

        print(f"生产者 {producer_id} 完成")

    def consumer(self, consumer_id):
        while not (self.producers_done and self.task_queue.empty()):
            try:
                item = self.task_queue.get(timeout=2)
                print(f"消费者 {consumer_id} 消费了: {item}")
                self.task_queue.task_done()
                time.sleep(random.random())
            except queue.Empty:
                break

    def run(self):
        producers = [threading.Thread(target=self.producer, args=(i,))
                     for i in range(3)]
        consumers = [threading.Thread(target=self.consumer, args=(i,))
                     for i in range(2)]

        for p in producers:
            p.start()

        for c in consumers:
            c.start()

        for p in producers:
            p.join()

        self.producers_done = True

        for c in consumers:
            c.join()

if __name__ == "__main__":
    pc = ProducerConsumer()
    pc.run()

2. 线程池模式

from concurrent.futures import ThreadPoolExecutor
import time

def task_executor(task_id):
    print(f"正在执行任务 {task_id}")
    time.sleep(1)
    return f"任务 {task_id} 完成"

def thread_pool_example():
    with ThreadPoolExecutor(max_workers=3) as executor:
        futures = [executor.submit(task_executor, i) for i in range(10)]

        for future in futures:
            print(future.result())

if __name__ == "__main__":
    thread_pool_example()

3. 互斥锁与锁

import threading

class Counter:
    def __init__(self):
        self.value = 0
        self.lock = threading.Lock()

    def increment(self):
        with self.lock:
            current_value = self.value
            time.sleep(0.1)  ## 模拟复杂操作
            self.value = current_value + 1

def worker(counter, n):
    for _ in range(n):
        counter.increment()

def mutex_example():
    counter = Counter()
    threads = [threading.Thread(target=worker, args=(counter, 100))
               for _ in range(5)]

    for t in threads:
        t.start()

    for t in threads:
        t.join()

    print(f"最终计数器值: {counter.value}")

if __name__ == "__main__":
    mutex_example()

4. 信号量模式

import threading
import time

class LimitedResourcePool:
    def __init__(self, max_connections=3):
        self.semaphore = threading.Semaphore(max_connections)

    def access_resource(self, thread_id):
        with self.semaphore:
            print(f"线程 {thread_id} 正在访问资源")
            time.sleep(2)
            print(f"线程 {thread_id} 正在释放资源")

def semaphore_example():
    resource_pool = LimitedResourcePool()
    threads = [threading.Thread(target=resource_pool.access_resource,
                                args=(i,)) for i in range(10)]

    for t in threads:
        t.start()

    for t in threads:
        t.join()

if __name__ == "__main__":
    semaphore_example()

并发模式比较

模式 用例 优点 缺点
生产者 - 消费者 任务分发 解耦生产和消费 需要仔细同步
线程池 并行任务执行 限制线程创建开销 固定线程数
互斥锁/锁 共享资源保护 防止竞态条件 可能导致性能瓶颈
信号量 资源限制 控制并发访问 存在死锁可能性

最佳实践

  1. 为特定用例选择合适的模式
  2. 尽量减少锁争用
  3. 尽可能使用高级抽象
  4. 彻底测试竞态条件

在 LabEx，我们建议通过实践这些模式来开发健壮的并发应用程序。

总结

在本教程中，我们研究了 Python 的并发编程领域，涵盖了用于实现并行任务的关键工具、模式和策略。通过掌握这些技术，开发者可以创建更具响应性、高效的应用程序，从而在各种编程场景中最大限度地利用计算资源并提高整体系统性能。

相关 Python 课程
Python 快速入门

Python 快速入门

python
Python 速查表

Python 速查表

python
Python 实践挑战

Python 实践挑战

python