29. GIL全局解释器锁、信号量、线程池进程池

1. GIL全局解释器锁

1.1 概念

'''
In CPython, the global interpreter lock, or GIL, is a mutex that prevents multiple
native threads from executing Python bytecodes at once. This lock is necessary mainly

because CPython’s memory management is not thread-safe. (However, since the GIL
exists, other features have grown to depend on the guarantees that it enforces.)

结论：在Cpython解释器中，同一个进程下开启的多线程，同一时刻只能有一个线程运行，无法利用多核优势
'''

GIL是一个纯理论知识，编程过程中无需考虑它的存在。

怎样理解互斥锁的存在：不加互斥锁时开启多线程，第一个线程里面的代码运行完毕才能去运行第二个线程里面的代码（在子线程功能函数没有休眠的前提下）

1.2 GIL锁的代码理解：多线程不加互斥锁、无休眠

这个例子验证了GIL锁存在，一个线程结束之后才能运行下一个线程，即证明有锁存在

from threading import Thread

num = 6

def work():
    global num
    temp = num
    print(f'休眠之前为{num}')
    num = temp - 1
    print(f'休眠之后为{num}')

def create_thread():
    print(f'修改之前为{num}')
    task_list = [Thread(target=work) for i in range(6)]
    [task.start() for task in task_list]
    [task.join() for task in task_list]
    print(f'修改之后为{num}')

if __name__ == '__main__':
    create_thread()

1.3 其它情况对照：多线程不加互斥锁、有休眠

import time
from threading import Thread

num = 6

def work():
    global num
    temp = num
    print(f'休眠之前为{num}')
    time.sleep(0.001)  # 休眠起到切换线程的作用
    num = temp - 1
    print(f'休眠之后为{num}')

def create_thread():
    print(f'修改之前为{num}')
    task_list = [Thread(target=work) for i in range(6)]
    [task.start() for task in task_list]
    [task.join() for task in task_list]
    print(f'修改之后为{num}')

if __name__ == '__main__':
    create_thread()

1.4 其它情况对照：多线程互斥加锁、有休眠

import time
from threading import Thread, Lock

num = 6

def work(lock):
    lock.acquire()
    global num

    temp = num
    print(f'休眠之前为{num}')
    time.sleep(0.001)  # 休眠起到切换线程的作用;加了锁之后休眠已经无法切换线程
    num = temp - 1
    print(f'休眠之后为{num}')
    lock.release()

def create_thread():
    lock = Lock()
    print(f'修改之前为{num}')
    task_list = [Thread(target=work, args=(lock,)) for i in range(6)]
    [task.start() for task in task_list]
    [task.join() for task in task_list]
    print(f'修改之后为{num}')

if __name__ == '__main__':
    create_thread()

1.5 其它情况对照：加自动互斥锁

子线程启动 ， 后先去抢 GIL 锁 ， 进入 IO 自动释放 GIL 锁 ， 但是自己加的锁还没解开 ，其他线程资源能抢到 GIL 锁，但是抢不到互斥锁
最终 GIL 回到 互斥锁的那个进程上，处理数据

import time
from threading import Thread, Lock

num = 6
lock = Lock()

def work():
    with lock:  # 加上自动锁
        global num
        temp = num
        print(f'休眠之前为{num}')
        time.sleep(0.001)  # 休眠起到切换线程的作用;加锁之后休眠已经无法切换线程
        num = temp - 1
        print(f'休眠之后为{num}')

def create_thread():
    print(f'修改之前为{num}')
    task_list = [Thread(target=work) for i in range(6)]
    [task.start() for task in task_list]
    [task.join() for task in task_list]
    print(f'修改之后为{num}')

if __name__ == '__main__':
    create_thread()

1.6 GIL全局解释器锁导致多线程无法利用多核优势

在Cpython解释器中GIL是互斥锁，用来阻止同一个进程下的多个线程同时运行。

在Cpython中的内存管理（垃圾回收机制：引用计数、标记清除、分代回收）不是线程安全的。

同一个进程下的多线程无法利用多核优势，是不是就没用了？多线程是否有用要看情况。

（1）计算密集型

计算密集型多进程下的耗时

import time
import os
from multiprocessing import Process

def work_calculate():
    result = 1
    for i in range(1, 90):
        result *= i
    # print(f'计算结果为{result}')

def cal_time(func):
    def inner(*args, **kwargs):
        start = time.time()
        res = func(*args, **kwargs)
        end = time.time()
        print(f'函数{func.__name__}总耗时: {end - start}')
        return res

    return inner

@cal_time
def create_process():
    print(f'正在使用的CPU个数{os.cpu_count()}')
    task_list = [Process(target=work_calculate) for i in range(90)]
    [task.start() for task in task_list]
    [task.join() for task in task_list]

if __name__ == '__main__':
    create_process()

计算密集型多线程下的耗时

import time
import os
from threading import Thread

def work_calculate():
    result = 1
    for i in range(1, 90):
        result *= i
    # print(f'计算结果为{result}')

def cal_time(func):
    def inner(*args, **kwargs):
        start = time.time()
        res = func(*args, **kwargs)
        end = time.time()
        print(f'函数{func.__name__}总耗时: {end - start}')
        return res

    return inner

@cal_time
def create_thread():
    print(f'正在使用的CPU个数{os.cpu_count()}')
    task_list = [Thread(target=work_calculate) for i in range(90)]
    [task.start() for task in task_list]
    [task.join() for task in task_list]

if __name__ == '__main__':
    create_thread()

（2）IO密集型

模仿IO密集型：多个IO切换操作

IO密集型多进程下的耗时

import os
import time
from multiprocessing import Process

def io_switch():
    # print('子进程开始运行')
    time.sleep(1)
    # print('子进程结束运行')

def cal_time(func):
    def inner(*args, **kwargs):
        start = time.time()
        res = func(*args, **kwargs)
        end = time.time()
        print(f'函数{func.__name__}运行总耗时{end - start}')
        return res

    return inner

@cal_time
def create_process():
    print(f'正在运行的CPU个数是{os.cpu_count()}')
    task_list = [Process(target=io_switch) for i in range(90)]
    [task.start() for task in task_list]
    [task.join() for task in task_list]

if __name__ == '__main__':
    create_process()

IO密集型多线程下的耗时

import os
import time
from threading import Thread

def io_switch():
    # print('子线程开始运行')
    time.sleep(1)
    # print('子线程结束运行')

def cal_time(func):
    def inner(*args, **kwargs):
        start = time.time()
        res = func(*args, **kwargs)
        end = time.time()
        print(f'函数{func.__name__}运行总耗时{end - start}')
        return res

    return inner

@cal_time
def create_thread():
    print(f'正在运行的CPU个数是{os.cpu_count()}')
    task_list = [Thread(target=io_switch) for i in range(90)]
    [task.start() for task in task_list]
    [task.join() for task in task_list]

if __name__ == '__main__':
    create_thread()

（3）计算密集型与IO密集型的理论

[1]计算密集型任务(多进程)
　　计算密集型任务主要是指需要大量的CPU计算资源的任务，其中包括执行代码、进行算术运算、循环等。
　　在这种情况下，使用多线程并没有太大的优势。
　　由于Python具有全局解释器锁（Global Interpreter Lock，GIL），在同一时刻只能有一条线程执行代码，这意味着在多线程的情况下，同一时刻只有一个线程在执行计算密集型任务。
　　但是，如果使用多进程，则可以充分利用多核CPU的优势。
　　每个进程都有自己独立的GIL锁，因此多个进程可以同时执行计算密集型任务，充分发挥多核CPU的能力。
　　通过开启多个进程，我们可以将计算密集的任务分配给每个进程，让每个进程都独自执行任务，从而提高整体的计算效率。
[2]IO密集型任务(多线程)
　　IO密集型任务主要是指涉及大量输入输出操作（如打开文件、写入文件、网络操作等）的任务。
　　在这种情况下，线程往往会因为等待IO操作而释放CPU执行权限，不会造成太多的CPU资源浪费。
　　因此，使用多线程能够更好地处理IO密集型任务，避免了频繁切换进程的开销。
　　当我们在一个进程中开启多个IO密集型线程时，大部分线程都处于等待状态，开启多个进程却不能提高效率，反而会消耗更多的系统资源。
　　因此，在IO密集型任务中，使用多线程即可满足需求，无需开启多个进程。
[3]总结
　　计算密集型任务：使用多进程可以充分利用多核CPU的优势，CPU越多越好

　　IO密集型任务：使用多线程能够更好地处理IO操作，避免频繁的进程切换开销。
　　根据任务的特性选择合适的并发方式可以有效提高任务的执行效率。

计算消耗cpu多：代码执行，算术，for都是计算
io消耗cpu少：打开文件，写入文件，网络操作都是io
如果遇到io，该线程会释放cpu的执行权限，cpu转而去执行别的线程
由于python有gil锁，开启多条线程，同一时刻，只能有一个线程在执行
如果是计算密集型，开了多线程，同一时刻，只有一个线程在执行
多核cpu，就会浪费多核优势
如果是计算密集型，我们希望，多个核(cpu),都干活，同一个进程下绕不过gil锁
所以我们开启多进程，gil锁只能锁住某个进程中得线程，开启多个进程，就能利用多核优势
io密集型：只要遇到io，就会释放cpu执行权限
进程内开了多个io线程，线程多半都在等待，开启多进程是不能提高效率的，反而开启进程很耗费资源，所以使用多线程即可

1.7 GIL特点总结

GIL不是python的特点，而是Cpython解释器的特点

GIL作用面很窄，仅限于保证解释器级别的数据安全；

自定义锁用来保证更大范围的数据安全。

GIL会导致同一个进程下的多个线程无法同时进行，即无法利用多核优势

针对不同的数据需要加不同的锁处理

解释性语言共同的短板：同一个进程下的多个线程无法利用多核优势

2. 死锁

2.1 概念

死锁是指两个或多个进程（线程），在运行的过程中，因争夺资源而造成的互相等待的现象。

两个或多个进程（线程）持有各自的锁并试图获取对方持有的锁，从而导致阻塞，不能向后运行代码。

解决办法：如果发生了死锁问题，必须使一方先交出锁。

2.2 代码示例

import time
from threading import Thread, Lock

# 类加括号多次，每次产生的都是不同的对象   如果想要实现多次加括号得到的是相同的对象---单例模式
lock_a = Lock()
lock_b = Lock()

class NewThread(Thread):
    def run(self):
        self.work_one()  # 运行子线程函数
        self.work_two()

    def work_one(self):
        lock_a.acquire()  # 先拿锁a
        print(f'{self.name}拿到了锁a')  # Thread类里面有name属性,获取线程名
        lock_b.acquire()  # 再拿锁b
        print(f'{self.name}拿到了锁b')

        lock_b.release()  # 先释放锁b
        print(f'{self.name}释放了锁b')
        lock_a.release()  # 再释放锁a
        print(f'{self.name}释放了锁a')

    def work_two(self):
        lock_b.acquire()  # 先拿锁b
        print(f'{self.name}拿到了锁b,开始睡觉0.001秒')
        time.sleep(0.001)
        print(f'{self.name}睡觉结束')
        lock_a.acquire()  # 再拿锁a
        print(f'{self.name}拿到了锁a')

        lock_a.release()  # 释放锁a
        print(f'{self.name}释放了锁a')
        lock_b.release()
        print(f'{self.name}释放了锁b')

# 定义产生子线程函数
def create_thread():
    st_list = [NewThread() for i in range(1, 3)]
    [st.start() for st in st_list]

if __name__ == '__main__':
    create_thread()

分析：

函数的运行顺序为：先运行完一个函数里面所有的代码，再去运行第二个函数

线程1运行到获取锁a，将切换到线程2，线程2由于获取不到锁a，将切换到线程3，线程3获取不到锁a，切换到线程1，线程1执行获取锁a之后的代码

获取锁b---释放锁b---释放锁a

---线程1获取锁b（锁b未释放）

---切换到线程2---线程2获取锁a（锁a未释放）

---切换到线程3---线程3获取不到锁a

---切换到线程1---打印“线程1拿到锁b，开始睡觉0.001秒”

---休眠，切换到线程2---打印“线程2拿到了锁a”---线程2获取不到锁b

---切换到线程3---线程获取不到锁a

---切换到线程1---打印“线程1睡觉结束”---线程1获取不到锁a

---切换到线程2---线程2仍然获取不到锁b---切换到线程3---线程3仍然获取不到锁a---程序进入阻塞状态

3. 递归锁

3.1 概念

递归锁（也称可重入锁）是一种特殊的锁，允许一个线程多次请求同一个锁，称为“递归的”请求锁。

在该线程释放锁之前，会对锁计数器进行累加操作，线程每成功获得一次锁时，都要进行相应的解锁操作，直到锁计数器清零才能完全释放该锁。

递归锁能够保证同一线程在持有锁时能够再次获取该锁，而不被自己所持有的锁阻塞，从而避免死锁。

但是注意要正常使用递归锁，避免过多的获取锁导致性能下降。

可以被连续的acquire和release，但是只能被第一个获取到这把锁的线程执行该操作

内部有计数器，acquire一次计数+1，release一次计数-1

只要计数不为0，其它线程都无法获取该锁

3.2 代码示例

在死锁的基础上，将Lock模块改为RLock模块，并且两把锁都指向同一个锁对象即可

import time
from threading import Thread, RLock

lock_a = lock_b = RLock()  # 两个变量名指向同一把锁

class NewThread(Thread):
    def run(self):
        self.func1()
        self.func2()

    def func1(self):
        lock_a.acquire()
        print(f'{self.name}获取到了锁a')  # self.name获取线程名
        lock_b.acquire()
        print(f'{self.name}获取到了锁b')

        lock_b.release()
        print(f'{self.name}释放了锁b')
        lock_a.release()
        print(f'{self.name}释放了锁a')

    def func2(self):
        lock_b.acquire()
        print(f'{self.name}拿到了锁b,开始睡觉0.001秒')
        time.sleep(0.001)
        print(f'{self.name}睡觉结束')
        lock_a.acquire()
        print(f'{self.name}拿到了锁a')

        lock_a.release()  #
        print(f'{self.name}释放了锁a')
        lock_b.release()
        print(f'{self.name}释放了锁b')

# 定义产生子线程函数
def create_thread():
    st_list = [NewThread() for i in range(1, 3)]
    [st.start() for st in st_list]

if __name__ == '__main__':
    create_thread()

分析：

根据递归锁的定义：一个线程可以多次请求同一个锁

线程1获取锁a---切换到线程2---线程2获取不到锁a---切换到线程3---线程3获取不到锁a---切换到线程1---线程1获取锁b---线程1释放锁b---线程1释放锁a（所有锁释放完毕）

线程1获取锁b（未释放）---切换到线程2---线程2获取不到锁a（锁a锁b为同一个锁对象）---切换到线程3---线程3获取不到锁a---切换到线程1

线程1休眠---将切换线程--其它线程仍然获取不到锁a---切换到线程1---线程1获取锁a---线程1释放锁a---线程1释放锁b---线程1功能函数所有代码运行完毕

因此，该代码的运行顺序是先将一个线程中的代码运行完毕，再去运行另外一个线程中的代码

4. 信号量（了解知识点）

4.1 概念

进程与线程中都有信号量模块Semaphore

GIL锁同一时刻只允许一个线程运行，而信号量同一时刻允许一定数量的线程运行

举例：有一条非常长的铁路，GIL锁是同一时刻该铁路上只能运行1辆列车；信号量是可以运行指定数量的列车，当有1辆列车运行到站时，等待中的列车可以发1辆车。

信号量与进程池的概念比较像，但是要区分开，信号量涉及到获取和释放的概念。

4.2 进程中的信号量

[1]无休眠

from multiprocessing import Process, Semaphore

def train(sem, num):
    sem.acquire()  # 获取信号量
    print(f'列车{num}开始发车')
    print(f'列车{num}到站')
    sem.release()  # 释放信号量

def create_process(sem):
    sp_list = [Process(target=train, args=(sem, i)) for i in range(1, 10)]
    [sp.start() for sp in sp_list]
    [sp.join() for sp in sp_list]

if __name__ == '__main__':
    signal = Semaphore(3)  # 生成信号量对象，默认参数是1
    create_process(sem=signal)

[2]有休眠

import time
from multiprocessing import Process, Semaphore

def train(sem, num):
    sem.acquire()  # 获取信号量
    print(f'列车{num}开始发车')
    time.sleep(1)
    print(f'列车{num}到站')
    sem.release()  # 释放信号量

def create_process(sem):
    sp_list = [Process(target=train, args=(sem, i)) for i in range(1, 10)]
    [sp.start() for sp in sp_list]
    [sp.join() for sp in sp_list]

if __name__ == '__main__':
    signal = Semaphore(3)  # 生成信号量对象，默认参数是1
    create_process(sem=signal)

4.3 线程中的信号量

import time
from threading import Thread, Semaphore

def train(sem, num):
    sem.acquire()  # 获取信号量
    print(f'列车{num}开始发车')
    time.sleep(1)
    print(f'列车{num}到站')
    sem.release()  # 释放信号量

def create_thread(sem):
    st_list = [Thread(target=train, args=(sem, i)) for i in range(1, 10)]
    [st.start() for st in st_list]
    [st.join() for st in st_list]

if __name__ == '__main__':
    signal = Semaphore(3)  # 生成信号量对象，默认参数是1
    create_thread(sem=signal)

5. Event事件（了解知识点）

5.1 概念

python线程的事件的作用：一个线程可以控制另一个线程的运行

事件提供了三个方法：set、wait、clear

事件的处理机制：

　　全局定义了一个"Flag"，初始值值为Flase

　　如果"Flag"值为False，程序运行到event.wait会阻塞

　　如果"Flag"值为True，程序运行到event.wait不会阻塞

　　clear：将"Flag"值设置为False

　　set：将"Flag"值设置为True

5.2 代码示例

import time
from threading import Thread, Event

# 定义列车信号灯线程功能函数
def railway_light(event):
    print('红灯亮，所有列车处于等待中')
    time.sleep(10)
    print('绿灯亮，所有列车发车')
    event.set()

# 定义列车发车线程功能函数
def train(event, num):
    print(f'列车{num}等待发车信号')
    event.wait()
    print(f'列车{num}发车')

# 定义产生子线程函数
def create_thread():
    signal = Event()  # 生成事件对象
    railway_light_thread = Thread(target=railway_light, args=(signal,))  # 产生信号灯子线程
    railway_light_thread.start()

    train_thread_list = [Thread(target=train, args=(signal, i)) for i in range(1, 10)]
    [train_st.start() for train_st in train_thread_list]

if __name__ == '__main__':
    create_thread()

分析：

列车信号灯线程先启动，打印"红灯亮，所有列车处于等待中"

进入10秒休眠---切换到列车发车线程1---打印"列车1等待发车信号"---wait为默认值False---程序阻塞

线程启动耗时极短，在休眠结束前列车发车9个线程依次启动，运行到wait都阻塞

休眠结束---打印"绿灯亮，所有列车发车"---set将Event对象的"Flag"设置为True---wait在收到"Flag"由False改为True时取消阻塞---依次打印"列车发车"

6. 进程池与线程池

6.1 线程池

[1]概念

提前创建好固定数量的线程，后续反复使用这些线程

如果任务超出了线程池最大线程数，则等待

[2]线程名称不会超过指定线程的数值

import time
from concurrent.futures import ThreadPoolExecutor
from threading import current_thread

pool = ThreadPoolExecutor(5)  # 代码运行之后立刻产生5个等待工作的线程；默认：min(32, (os.cpucount() or 1) + 4)

def work():
    time.sleep(0.001)  # 休眠防止线程启动速度极快而导致都用一个线程名
    print(current_thread().name)  # ThreadPoolExecutor-0_？的名称不会超过5

for i in range(1, 10):
    pool.submit(work)  # 往线程池中添加任务

[3]任务的提交方式

同步提交：

在提交任务后，主进程会等待任务完成，才继续运行后续代码。

异步提交：

在提交任务后，主进程不会等待任务完成，而是继续运行后续代码。

任务的结果可以通过回调函数或者在需要结果的时候再获取。

这允许主进程同时处理多个任务。

[4]线程池提交任务的方式是异步

from concurrent.futures import ThreadPoolExecutor

pool = ThreadPoolExecutor(5)  # 代码运行之后立刻产生5个等待工作的线程

def work(num):
    print(f'{num}开始')
    print(f'{num}结束')

for i in range(1, 10):
    pool.submit(work, i)  # 往线程池中提交任务

分析：

开始与结束之间无sleep，如果是同步提交，则下一个任务要等待上一个任务运行完成才能启动，类比串行来理解；

而以上代码在"开始"与"结束"之间没有休眠的情况为"乱序"，不是"串行"，因此线程池提交任务的方式是异步。

[5]获取任务返回结果的方式是同步提交

import time
from concurrent.futures import ThreadPoolExecutor

pool = ThreadPoolExecutor(5)  # 代码运行之后立刻产生5个等待工作的线程

def work(num):
    print(f'{num}开始')
    time.sleep(0.1)
    print(f'{num}结束')
    return '---'

for i in range(1, 10):
    res = pool.submit(work, i)  # 往线程池中提交任务（异步提交）
    print(res.result())  # 获取任务的返回结果的方式是同步提交，默认返回值是None

分析：

主进程往线程池异步提交任务，打印的顺序为步骤 [4] 中的"乱序"；

在调用result( )函数之后打印顺序变为"串行"，因此，获取任务返回结果的方式是同步提交。

[5]异步回调获取对象

为了解决步骤4中获取结果为同步提交而不是异步提交，导致主进程无法同时处理多个任务的问题，

采用异步回调机制add_done_callback( )，只要任务有结果，就会自动调用括号内的函数处理

from concurrent.futures import ThreadPoolExecutor

pool = ThreadPoolExecutor(5)  # 代码运行之后立刻产生5个等待工作的线程

def work(num):
    print(f'{num}开始')
    print(f'{num}结束')
    return '---'

def func(*args, **kwargs):
    print(args, kwargs)  # 这里的值与res=pool.submit(work, i)得到的结果是同一个对象，都可以调用result()拿到线程功能函数的返回值

for i in range(1, 10):
    pool.submit(work, i).add_done_callback(func)

分析：

异步回调得到的值与res=pool.submit(work, i)的值是同一个对象，该对象都可以调用result( )获取线程功能函数的返回值；

提交任务和获取结果都为异步提交，允许主进程同时处理多个任务。

[6]异步回调获取返回值

在步骤5的基础上通过索引取值+调用函数方法获取线程功能函数的返回值

from concurrent.futures import ThreadPoolExecutor

pool = ThreadPoolExecutor(5)  # 代码运行之后立刻产生5个等待工作的线程

def work(num):
    print(f'{num}开始')
    print(f'{num}结束')
    return '---'

def func(*args, **kwargs):
    print(args[0].result())

for i in range(1, 10):
    pool.submit(work, i).add_done_callback(func)

[7]shutdown的用法

shutdown函数用于控制线程池的关闭

shutdown(wait=True)

wait的默认值为True，等待所有线程完成正在运行的任务再关闭线程池

wait如果设置为False，立即关闭线程池，不再接收新任务，不等待正在运行的任务完成

用法类似于join：主进程等子线程结束再结束

没有shutdown

from concurrent.futures import ThreadPoolExecutor

pool = ThreadPoolExecutor(5)  # 代码运行之后立刻产生5个等待工作的线程

def work(num):
    print(f'{num}开始')
    print(f'{num}结束')

if __name__ == '__main__':
    print('主进程开始')
    for i in range(1, 10):
        pool.submit(work, i)
    print('主进程结束')

 有shutdown

from concurrent.futures import ThreadPoolExecutor

pool = ThreadPoolExecutor(5)  # 代码运行之后立刻产生5个等待工作的线程

def work(num):
    print(f'{num}开始')
    print(f'{num}结束')
    return '---'

if __name__ == '__main__':
    print('主进程开始')
    for i in range(1, 10):
        pool.submit(work, i)
    pool.shutdown()
    print('主进程结束')

6.2 进程池

[1]概念

创建好固定数量的进程，后续反复使用这些进程

无需频繁创建进程，频繁销毁进程

[2]进程号取值范围个数不会超过指定进程号个数

import os
import time
from concurrent.futures import ProcessPoolExecutor

pool = ProcessPoolExecutor(5)  # 默认os.cpu_count() or 1

def work(num):
    time.sleep(0.001)  # sleep的作用是切换进程，防止进程启动速度极快而使用同一个进程号
    print(f'{num}开始')
    print(f'进程号为:{os.getpid()}')
    print(f'{num}结束')

if __name__ == '__main__':  # 与产生线程不同，产生进程要放在主程序入口
    for i in range(1, 10):
        pool.submit(work, i)

分析：

打印结果仍然为"乱序"，不是"串行"，证明进程池提交任务也是异步提交

[3]异步回调获取对象

from concurrent.futures import ProcessPoolExecutor

pool = ProcessPoolExecutor(5)  # 默认os.cpu_count() or 1

def work(num):
    print(f'{num}开始')
    print(f'{num}结束')
    return '---'

def func(*args, **kwargs):
    print(args, kwargs)

if __name__ == '__main__':  # 与产生线程不同，产生进程要放在主程序入口
    for i in range(1, 10):
        pool.submit(work, i).add_done_callback(func)

分析：

打印结果为"乱序"，证明提交任务和获取结果都为异步提交；允许主进程同时处理多个任务。

[4]异步回调获取返回值

from concurrent.futures import ProcessPoolExecutor

pool = ProcessPoolExecutor(5)  # 默认os.cpu_count() or 1

def work(num):
    print(f'{num}开始')
    print(f'{num}结束')
    return '---'

def func(*args, **kwargs):
    print(args[0].result())

if __name__ == '__main__':  # 与产生线程不同，产生进程要放在主程序入口
    for i in range(1, 10):
        pool.submit(work, i).add_done_callback(func)