从 Python 3.4 起，标准库中有两个名为 Future 的类：concurrent.futures.Future 和
asyncio.Future。这两个类的作用相同：两个 Future 类的实例都表示可能已经完成或
者尚未完成的延迟计算
我们要记住一件事：通常情况下自己不应该创建期物，而只能由并发框架
（concurrent.futures 或 asyncio）实例化。原因很简单：期物表示终将发生的事
情，而确定某件事会发生的唯一方式是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。
客户端代码不应该改变期物的状态，并发框架在期物表示的延迟计算结束后会改变期物的
状态，而我们无法控制计算何时结束。
这两种期物都有 .done() 方法，这个方法不阻塞，返回值是布尔值，指明期物链接的可
调用对象是否已经执行。客户端代码通常不会询问期物是否运行结束，而是会等待通知。
因此，两个 Future 类都有 .add_done_callback() 方法：这个方法只有一个参数，类
型是可调用的对象，期物运行结束后会调用指定的可调用对象。
此外，还有 .result() 方法。在期物运行结束后调用的话，这个方法在两个 Future 类
中的作用相同：返回可调用对象的结果，或者重新抛出执行可调用的对象时抛出的异常。
可是，如果期物没有运行结束，result 方法在两个 Future 类中的行为相差很大。对
concurrency.futures.Future 实例来说，调用 f.result() 方法会阻塞调用方所在的
线程，直到有结果可返回。此时，result 方法可以接收可选的 timeout 参数，如果在指
定的时间内期物没有运行完毕，会抛出 TimeoutError 异常。读到 18.1.1 节你会发
现，asyncio.Future.result 方法不支持设定超时时间，在那个库中获取期物的结果最
好使用 yield from 结构。不过，对 concurrency.futures.Future 实例不能这么做。
这两个库中有几个函数会返回期物，其他函数则使用期物，以用户易于理解的方式实现自
身。使用 17-3 中的 Executor.map 方法属于后者：返回值是一个迭代器，迭代器的
__next__ 方法调用各个期物的 result 方法，因此我们得到的是各个期物的结果，而非
期物本身。
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
Python 标准库中的所有阻塞型 I/O 函数都会释放 GIL，允许其他线程运
行。time.sleep() 函数也会释放 GIL。因此，尽管有 GIL，Python 线程还是能在 I/O
密集型应用中发挥作用。
如何在 CPU 密集型作业中使用 concurrent.futures 模块轻松绕开 GIL
concurrent.futures 模块的文档
（https://docs.python.org/3/library/concurrent.futures.html）副标题是“Launching parallel
tasks”（执行并行任务）。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。
ThreadPoolExecutor.__init__ 方法需要 max_workers 参数，指定线程池中线程
的数量。在 ProcessPoolExecutor 类中，那个参数是可选的，而且大多数情况下不使用
——默认值是 os.cpu_count() 函数返回的 CPU 数量。这样处理说得通，因为对 CPU 密
集型的处理来说，不可能要求使用超过 CPU 数量的职程。而对 I/O 密集型处理来说，可
以在一个 ThreadPoolExecutor 实例中使用 10 个、100 个或 1000 个线程；最佳线程数
取决于做的是什么事，以及可用内存有多少，因此要仔细测试才能找到最佳的线程数。
from time import sleep, strftime from concurrent import futures def display(*args): print(strftime('[%H:%M:%S]'), end=' ') print(*args) def loiter(n): msg = '{}loiter{}: doing nothing for {}s...' display(msg.format(' '*n, n, n)) sleep(n) msg = '{}loiter({}): done.' display(msg.format(' '*n, n)) return n * 10 def main(): display('Script starting.') executor = futures.ThreadPoolExecutor(max_workers=3) results = executor.map(loiter, range(5)) display('result:', results) display('Waiting for individual results:') for i, result in enumerate(results): display('result {}: {}'.format(i, result)) main()
Executor.map 函数易于使用，不过有个特性可能有用，也可能没用，具体情况取决于需
求：这个函数返回结果的顺序与调用开始的顺序一致。如果第一个调用生成结果用时 10
秒，而其他调用只用 1 秒，代码会阻塞 10 秒，获取 map 方法返回的生成器产出的第一个
结果。在此之后，获取后续结果时不会阻塞，因为后续的调用已经结束。如果必须等到获
取所有结果后再处理，这种行为没问题；不过，通常更可取的方式是，不管提交的顺序，
只要有结果就获取。为此，要把 Executor.submit 方法和 futures.as_completed 函
数结合起来使用
线程和多进程的替代方案
Python 自 0.9.8 版（1993 年）就支持线程了，concurrent.futures 只不过是使用线程的
最新方式。Python 3 废弃了原来的 thread 模块，换成了高级的 threading 模块
（https://docs.python.org/3/library/threading.html）。 如果
futures.ThreadPoolExecutor 类对某个作业来说不够灵活，可能要使用 threading 模
块中的组件（如 Thread、Lock、Semaphore 等）自行制定方案，比如说使用 queue 模
块（https://docs.python.org/3/library/queue.html）创建线程安全的队列，在线程之间传递数
据。futures.ThreadPoolExecutor 类已经封装了这些组件。
threading 模块自 Python 1.5.1（1998 年）就已存在，不过有些人仍然继续使用旧的 thread 模块。Python 3 把
本文档由Linux公社 www.linuxidc.com 整理
thread 模块重命名为 _thread，以此强调这是低层实现，不应该在应用代码中使用。
对 CPU 密集型工作来说，要启动多个进程，规避 GIL。创建多个进程最简单的方式是，
使用 futures.ProcessPoolExecutor 类。不过和前面一样，如果使用场景较复杂，需
要更高级的工具。multiprocessing 模块
（https://docs.python.org/3/library/multiprocessing.html）的 API 与 threading 模块相仿，不
过作业交给多个进程处理。对简单的程序来说，可以用 multiprocessing 模块代替
threading 模块，少量改动即可。不过，multiprocessing 模块还能解决协作进程遇到
的最大挑战：在进程之间传递数据。
总结一下，python中有GIL锁，导致无法和正常使用线程，但是对于IO密集型作业，由于python标准库中的所有堵塞型I/O函数都会释放GIL，允许其他线程运行，所以不妨碍多线程的使用。而对于CPU密集型作业，可以使用concurrent.futures模块绕开GIL。