python线程池提交任务

1. 线程池参数设置

1. CPU数量：N
2. 线程池的核心线程数量
   IO密集型的话，一般设置为 2 * N + 1；
   CPU密集型的话，一般设置为 N + 1 或者 使用进程池。
3. 线程池的最大任务队列长度
   （线程池的核心线程数 / 单个任务的执行时间）* 2
   如果线程池有10个核心线程，单个任务的执行时间为0.1s，那么最大任务队列长度设置为200。

from concurrent.futures import ThreadPoolExecutor
thread_pool = ThreadPoolExecutor(max_workers=10)

2. submit方式提交

submit 这种提交方式是一条一条地提交任务：
1. 可以提交不同的任务函数；
2. 线程池的线程在执行任务时出现异常，程序不会停止，而且也看不到对应的报错信息；
3. 得到的结果是乱序的。

import time
from concurrent.futures import ThreadPoolExecutor, as_completed

def run_task(delay):
    print(f"------------> start to execute task {
     delay} <------------")
    time.sleep(delay)
    print(f"------------> task {
     delay} execute over !!! <------------")
    return delay + 10000

task_params = [1, 4, 2, 5, 3, 6] * 10
threadpool_max_worker = 10      # io密集型：cpu数量*2+1；cpu密集型：cpu数量+1
thread_pool = ThreadPoolExecutor(max_workers=threadpool_max_worker)


############################### 方式1. 虽然是异步提交任务，但是却是同步执行任务。
for p in task_params:
    future = thread_pool.submit(run_task, p)
    print(future.result())      # 直接阻塞当前线程，直到任务完成并返回结果，即变成同步


############################### 方式2. 异步提交任务，而且异步执行任务，乱序执行，结果乱序。
future_list = []
for p in task_params:
    future = thread_pool.submit(run_task, p)
    future_list.append(future)

for res in as_completed(future_list):       # 等待子线程执行完毕，先完成的会先打印出来结果，结果是无序的
    print(f"get last result is {
     res.result()}")

3. map方式提交

map 这种提交方式可以分批次提交任务：

1. 每个批次提价的任务函数都相同；
2. 线程池的线程在执行任务时出现异常，程序终止并打印报错信息；
3. 得到的结果是有序的。

import time
from concurrent.futures import ThreadPoolExecutor, as_completed

def run_task(delay):
    print(f"------------> start to execute task {
     delay} <------------")
    time.sleep(delay)
    print(f"------------> task {
     delay} execute over !!! <------------")
    return delay + 10000

task_params = [1, 4, 2, 5, 3, 6] * 10
threadpool_max_worker = 5      # io密集型：cpu数量*2+1；cpu密集型：cpu数量+1
thread_pool = ThreadPoolExecutor(max_workers=threadpool_max_worker)

task_res = thread_pool.map(run_task, task_params)		# 批量提交任务，乱序执行
print(f"main thread run finished!")
for res in task_res:		# 虽然任务是乱序执行的，但是得到的结果却是有序的。
    print(f"get last result is {
     res}")

4. 防止一次性提交的任务量过多

import time
from concurrent.futures import ThreadPoolExecutor

def run_task(delay):
    print(f"------------> start to execute task <------------")
    time.sleep(delay)
    print(f"------------> task execute over !!! <------------")

task_params = [1, 4, 2, 5, 3, 6] * 100
threadpool_max_worker = 10      # io密集型：cpu数量*2+1；cpu密集型：cpu数量+1
thread_pool = ThreadPoolExecutor(max_workers=threadpool_max_worker)
threadpool_max_queue_size = 200     # 线程池任务队列长度一般设置为  （线程池核心线程数/单个任务执行时间）* 2

for p in task_params:
    print(f"*****************> 1. current queue size of thread pool is {
     thread_pool._work_queue.qsize()}")
    while thread_pool._work_queue.qsize() >= threadpool_max_queue_size:
        time.sleep(1)		# sleep时间要超过单个任务的执行时间
    print(f"*****************> 2. current queue size of thread pool is {
     thread_pool._work_queue.qsize()}")
    thread_pool.submit(run_task, p)

print(f"main thread run finished!")

5. 案例分享

案例背景：由于kafka一个topic的一个分区数据只能由一个消费者组中的一个消费者消费，所以现在使用线程池，从kafka里消费某一个分区的数据，将数据提取出来并存于mysql或者redis，然后手动提交offset。

import time
import queue
import concurrent.futures
from threading import Thread
from concurrent.futures import ThreadPoolExecutor


def send_task_to_queue(q, params):
    for idx, p in enumerate(params):
        q.put((idx, p))     # 把kafka数据put到queue里，如果queue满了就先阻塞着，等待第15行get数据后腾出空间，这里继续put数据
        print(f"\n set p: {
     p} into task queue, queue size is {
     q.qsize()}")


def run_task(param_queue):
    idx, p = param_queue.get()      # 这里一直get数据，即使queue空了，只要kafka持续产生数据，第10行就会持续put数据到queue里
    print(f"\n ------------> start to execute task {
     idx} <------------")
    time.sleep(p)
    print(f"\n ------------> task {
     idx} execute over !!! <------------")
    return idx


task_params = [1, 4, 2, 5, 3] * 20      # 数据模拟kafka中消费得到的数据
thread_pool = ThreadPoolExecutor(max_workers=10)
task_param_queue = queue.Queue(maxsize=10)

# 这里启动一个子线程一直往queue里put数据
thread_send_task = Thread(target=send_task_to_queue, args=(task_param_queue, task_params))
thread_send_task.start()


while True:     # 这里为什么一直死循环：只要生产者生产数据存储在kafka中，那么消费者就一直能获取到数据
    future_list = []

    # 分批去消费queue里的数据
    for i in range(10):
        # 这里的子线程从queue里get任务后，queue腾出空间，上面的子线程继续往里面put数据
        future_list.append(thread_pool.submit(run_task, task_param_queue))

    # 子线程任务执行结束后，从结果里取最大的索引值，可以用于redis记录，并用户手动提交offset...
    complete_res, uncomplete_res = concurrent.futures.wait(future_list)
    future_max_idx = max([future_complete.result() for future_complete in complete_res])
    print(f"\n ######################################## every batch's max idx is {
     future_max_idx}")
	...		# 自行使用 future_max_idx 这个值做处理...

6. 案例优化

上面的案例，是将数据存储于线程队列中，保证每个子线程get()到的数据不重复。
既然线程队列可以保证每个子线程get到的数据不重复，那么利用生成器的一次性特性（使用完一次就没了），是不是也能达到这个效果呢？
试着优化下：

import time
import concurrent.futures
from concurrent.futures import ThreadPoolExecutor

def run_task(param_generator):
    try:
        idx, p = next(param_generator)
        print(f"\n ------------> start to execute task idx {
     idx} <------------")
        time.sleep(p)
        print(f"\n ------------> task value {
     p} execute over !!! <------------")
        return idx
    except StopIteration:
        return -1

# 这里将task_params变成生成器，使用生成器的一次性特性：消费完一次后数据就消失了
task_params_generator = ((idx, val) for idx, val in enumerate([1, 4, 2, 5, 3] * 20))
thread_pool = ThreadPoolExecutor(max_workers=10)

while True:     # 这里为什么一直死循环：只要生产者生产数据存储在kafka中，那么消费者就一直能获取到数据
    future_list = []

    # 分批去消费生成器中的数据
    for i in range(10):
        # 这里的子线程从生成器中消费数据
        future_list.append(thread_pool.submit(run_task, task_params_generator))

    # 子线程任务执行结束后，从结果里取最大的索引用于redis记录，并手动提交offset
    complete_res, uncomplete_res = concurrent.futures.wait(future_list)
    future_max_idx = max([future_complete.result() for future_complete in complete_res])
    print(f"\n ######################################## every batch's max idx is {
     future_max_idx}")

    if future_max_idx == -1:        # 如果为-1，说明生成器的数据已经迭代完了，等待kafka新生成数据
        print(f"\n generator has empty !!!!!")
        time.sleep(60)