concurrent.futures是一个非常简单易用的库，主要用来实现多线程和多进程的异步并发。

本文主要对concurrent.futures库相关模块进行详解，并分别提供了详细的示例demo。

1. 模块安装

1) python 3.x中自带了concurrent.futures模块

2) python 2.7需要安装futures模块，使用命令pip install futures安装即可

pypi地址：

2. concurrent.futures模块详解

2.1 Executor对象

class concurrent.futures.Executor

Executor是一个抽象类，它提供了异步执行调用的方法。它不能直接使用，但可以通过它的两个子类ThreadPoolExecutor或者ProcessPoolExecutor进行调用。

2.1.1 Executor.submit(fn, *args, **kwargs)

fn：需要异步执行的函数

*args, **kwargs：fn参数

示例：

#-*- coding:utf-8 -*-from concurrent import futures def test(num):    import time    return time.ctime(),num with futures.ThreadPoolExecutor(max_workers=1) as executor:    future = executor.submit(test,1)    print future.result() >>>('Tue Jan 17 15:23:10 2017', 1)

2.1.2 Executor.map(func, *iterables, timeout=None)

相当于map(func, *iterables)，但是func是异步执行。timeout的值可以是int或float，如果操作超时，会返回raisesTimeoutError；如果不指定timeout参数，则不设置超时间。

func：需要异步执行的函数

*iterables：可迭代对象，如列表等。每一次func执行，都会从iterables中取参数。

timeout：设置每次异步操作的超时时间

示例：

#-*- coding:utf-8 -*-from concurrent import futures def test(num):    import time    return time.ctime(),num data=[1,2,3]with futures.ThreadPoolExecutor(max_workers=1) as executor:    for future in executor.map(test,data):        print future >>>('Tue Jan 17 15:23:47 2017', 1)('Tue Jan 17 15:23:47 2017', 2)('Tue Jan 17 15:23:47 2017', 3)

 

2.1.3 Executor.shutdown(wait=True)

释放系统资源,在Executor.submit()或 Executor.map()等异步操作后调用。使用with语句可以避免显式调用此方法。

2.3 ThreadPoolExecutor对象

ThreadPoolExecutor类是Executor子类，使用线程池执行异步调用.

class concurrent.futures.ThreadPoolExecutor(max_workers)

使用max_workers数目的线程池执行异步调用

2.4 ProcessPoolExecutor对象

ThreadPoolExecutor类是Executor子类，使用进程池执行异步调用.

class concurrent.futures.ProcessPoolExecutor(max_workers=None)

使用max_workers数目的进程池执行异步调用，如果max_workers为None则使用机器的处理器数目（如4核机器max_worker配置为None时，则使用4个进程进行异步并发）。

示例：

#-*- coding:utf-8 -*-from concurrent import futures def test(num):    import time    return time.ctime(),num def muti_exec(m,n):    #m 并发次数    #n 运行次数     with futures.ProcessPoolExecutor(max_workers=m) as executor: #多进程    #with futures.ThreadPoolExecutor(max_workers=m) as executor: #多线程        executor_dict=dict((executor.submit(test,times), times) for times in range(m*n))     for future in futures.as_completed(executor_dict):        times = executor_dict[future]        if future.exception() is not None:            print('%r generated an exception: %s' % (times,future.exception()))        else:            print('RunTimes:%d,Res:%s'% (times, future.result())) if __name__ == '__main__':    muti_exec(5,1) >>>RunTimes:0,Res:('Tue Jan 17 15:56:53 2017', 0)RunTimes:4,Res:('Tue Jan 17 15:56:53 2017', 4)RunTimes:3,Res:('Tue Jan 17 15:56:53 2017', 3)RunTimes:1,Res:('Tue Jan 17 15:56:53 2017', 1)RunTimes:2,Res:('Tue Jan 17 15:56:53 2017', 2)

3. 附录：Python GIL相关

要理解GIL的含义，我们需要从Python的基础讲起。像C++这样的语言是编译型语言，所谓编译型语言，是指程序输入到编译器，编译器再根据语言的语 法进行解析，然后翻译成语言独立的中间表示，最终链接成具有高度优化的机器码的可执行程序。编译器之所以可以深层次的对代码进行优化，是因为它可以看到整 个程序（或者一大块独立的部分）。这使得它可以对不同的语言指令之间的交互进行推理，从而给出更有效的优化手段。

与此相反，Python是解释型语言。程序被输入到解释器来运行。解释器在程序执行之前对其并不了解；它所知道的只是Python的规则，以及在执行过程 中怎样去动态的应用这些规则。它也有一些优化，但是这基本上只是另一个级别的优化。由于解释器没法很好的对程序进行推导，Python的大部分优化其实是 解释器自身的优化。

现在我们来看一下问题的症结所在。要想利用多核系统，Python必须支持多线程运行。作为解释型语言，Python的解释器必须做到既安全又高效。我们都知道多线程编程会遇到的问题，解释器要留意的是避免在不同的线程操作内部共享的数据，同时它还要保证在管理用户线程时保证总是有最大化的计算资源。

那么，不同线程同时访问时，数据的保护机制是怎样的呢？答案是解释器全局锁。从名字上看能告诉我们很多东西，很显然，这是一个加在解释器上的全局（从解释器的角度看）锁（从互斥或者类似角度看）。这种方式当然很安全，但是它有一层隐含的意思（Python初学者需要了解这个）：对于任何Python程序，不管有多少的处理器，任何时候都总是只有一个线程在执行。

”为什么我全新的多线程Python程序运行得比其只有一个线程的时候还要慢？“许多人在问这个问题时还是非常犯晕的，因为显然一个具有两个线程的程序要比其只有一个线程时要快（假设该程序确实是可并行的）。事实上，这个问题被问得如此频繁以至于Python的专家们精心制作了一个标准答案：”不要使用多线程，请使用多进程”。

所以，对于计算密集型的，我还是建议不要使用python的多线程而是使用多进程方式，而对于IO密集型的，还是劝你使用多进程方式，因为使用多线程方式出了问题，最后都不知道问题出在了哪里，这是多么让人沮丧的一件事情！

建议使用多进程并发而不是多线程并发！

4. 参考文档