本文探讨了如何在Python中实现主脚本与后台任务的并发执行，特别针对需要发送延迟通知的场景。通过深入分析线程、线程池和信号量等并发工具，我们展示了如何有效管理后台任务的创建、执行与资源限制，确保主程序的流畅运行，同时避免资源耗尽，并提供了同步与异步两种实现方案。
在现代应用程序开发中，经常需要主程序执行核心逻辑的同时，触发一些独立的、耗时的或需要延迟执行的后台任务。例如，一个监控系统可能需要持续检查某个条件，一旦满足，则立即发送通知给一部分用户，并延迟一段时间后发送给另一部分用户。这种场景要求后台任务能够独立运行，不阻塞主程序的执行，并且通常需要限制并发任务的数量，以避免资源耗尽。
假设我们正在构建一个库存监控机器人。主脚本每隔3分钟检查一次商品库存。如果商品有货，它会立即向“优先组”发送邮件通知。同时，它还需要在10分钟后向“普通组”发送相同的邮件。这个“延迟发送邮件”的任务是独立的，主脚本不需要等待它完成，并且可以有多个这样的延迟任务同时运行（例如，如果商品在短时间内多次补货）。然而，为了系统稳定性，我们希望限制同时运行的延迟任务实例数量，例如最多3个。
这种需求明确指向了并发编程：
立即学习“Python免费学习笔记（深入）”；
Python提供了多种并发机制，包括线程（threading）、多进程（multiprocessing）和异步IO（asyncio）。对于IO密集型任务（如网络请求、等待），线程和异步IO通常是更高效的选择，因为它们避免了多进程的额外开销，且Python的全局解释器锁（GIL）对IO操作影响较小。
最直接的并发方式是使用Python的threading模块。当主脚本需要触发一个后台任务时，可以创建一个新的线程来执行该任务。
import threading
import time
import random
def delayed_email_task():
"""模拟发送延迟邮件的任务"""
print(f"[{time.strftime('%H:%M:%S')}] 延迟邮件任务开始，等待10秒...")
time.sleep(10) # 模拟10分钟的等待
print(f"[{time.strftime('%H:%M:%S')}] 延迟邮件已发送。")
def main_monitor():
"""主监控脚本"""
while True:
print(f"[{time.strftime('%H:%M:%S')}] 主脚本：检查库存...")
# 模拟库存检查，随机决定是否触发
if random.randint(0, 3) == 1:
print(f"[{time.strftime('%H:%M:%S')}] 主脚本：库存有货！立即发送优先邮件。")
# 立即发送邮件给优先组 (省略具体实现)
print(f"[{time.strftime('%H:%M:%S')}] 主脚本：触发延迟邮件任务。")
# 启动一个新线程来处理延迟邮件
thread = threading.Thread(target=delayed_email_task)
thread.start()
time.sleep(3) # 主脚本每3秒检查一次 (模拟3分钟)
if __name__ == "__main__":
main_monitor()注意事项： 这种方法虽然实现了并发，但存在一个潜在问题：如果主脚本频繁触发条件，它会无限制地创建新线程。这可能导致系统资源（如内存、线程句柄）耗尽，最终影响程序稳定性甚至崩溃。因此，我们需要更高级的机制来管理线程。
为了避免无限制地创建线程，可以使用线程池。concurrent.futures模块提供了ThreadPoolExecutor，它允许我们预先创建一组线程，并在需要时将任务提交给这些线程执行。当所有线程都在忙时，新提交的任务会在队列中等待。
from concurrent.futures import ThreadPoolExecutor
import time
import random
# 创建一个线程池，限制最多同时运行3个后台任务
# 这里的max_workers应根据实际需求和系统资源进行调整
thread_pool = ThreadPoolExecutor(max_workers=3)
def delayed_email_task():
"""模拟发送延迟邮件的任务"""
print(f"[{time.strftime('%H:%M:%S')}] 延迟邮件任务开始，等待10秒...")
time.sleep(10) # 模拟10分钟的等待
print(f"[{time.strftime('%H:%M:%S')}] 延迟邮件已发送。")
def main_monitor_with_pool():
"""使用线程池的主监控脚本"""
while True:
print(f"[{time.strftime('%H:%M:%S')}] 主脚本：检查库存...")
if random.random() > 0.5: # 模拟库存有货的条件
print(f"[{time.strftime('%H:%M:%S')}] 主脚本：库存有货！立即发送优先邮件。")
print(f"[{time.strftime('%H:%M:%S')}] 主脚本：提交延迟邮件任务到线程池。")
# 将任务提交给线程池
# 如果线程池已满，任务会在内部队列中等待
thread_pool.submit(delayed_email_task)
time.sleep(3) # 主脚本每3秒检查一次
if __name__ == "__main__":
main_monitor_with_pool()注意事项：ThreadPoolExecutor有效地限制了同时运行的线程数量。然而，它并不能限制已提交但尚未开始执行的任务数量。如果主脚本提交任务的速度远快于线程池处理任务的速度，那么线程池的内部队列可能会无限增长，同样可能导致内存占用过高。
为了更精细地控制并发任务的总量（包括正在运行和等待中的任务），我们可以引入信号量（Semaphore）。threading.Semaphore可以用来限制对某个资源的访问数量。在这里，资源就是“可以被调度执行的后台任务槽位”。
我们可以在提交任务前acquire()信号量，表示占用一个槽位；任务完成后release()信号量，释放一个槽位。这样，当所有槽位都被占用时，主脚本的acquire()操作会阻塞，直到有槽位被释放。
from concurrent.futures import ThreadPoolExecutor
from threading import Semaphore
import time
import random
# 线程池限制同时运行的线程数
thread_pool = ThreadPoolExecutor(max_workers=3)
# 信号量限制可以被“调度”的任务总数 (包括正在运行和等待的)
# 这里的20是一个示例，应大于max_workers，以允许一些任务在队列中等待
task_semaphore = Semaphore(5) # 限制最多有5个任务处于“已提交但未完成”状态
def delayed_email_task_with_semaphore():
"""模拟发送延迟邮件的任务，并在完成后释放信号量"""
try:
print(f"[{time.strftime('%H:%M:%S')}] 延迟邮件任务开始，等待10秒...")
time.sleep(10) # 模拟10分钟的等待
print(f"[{time.strftime('%H:%M:%S')}] 延迟邮件已发送。")
finally:
# 无论任务成功或失败，都必须释放信号量
task_semaphore.release()
print(f"[{time.strftime('%H:%M:%S')}] 信号量已释放。")
def main_monitor_with_semaphore():
"""使用线程池和信号量的主监控脚本"""
while True:
print(f"[{time.strftime('%H:%M:%S')}] 主脚本：检查库存...")
if random.random() > 0.5: # 模拟库存有货的条件
print(f"[{time.strftime('%H:%M:%S')}] 主脚本：库存有货！立即发送优先邮件。")
print(f"[{time.strftime('%H:%M:%S')}] 主脚本：尝试获取信号量...")
# 尝试获取信号量。如果信号量计数为0，主脚本将在此处阻塞
task_semaphore.acquire()
print(f"[{time.strftime('%H:%M:%S')}] 主脚本：信号量获取成功，提交延迟邮件任务。")
# 提交任务到线程池
thread_pool.submit(delayed_email_task_with_semaphore)
time.sleep(3) # 主脚本每3秒检查一次
if __name__ == "__main__":
main_monitor_with_semaphore()核心优势： 这种方法结合了线程池的并发管理和信号量的任务调度控制，能够有效限制系统中的总任务负载，防止因任务堆积而导致的资源问题。主脚本会在任务数量达到上限时自动暂停提交新任务，直到有任务完成并释放信号量。
对于IO密集型任务，asyncio是Python的另一个强大并发工具。它通过事件循环和协程（coroutine）实现单线程并发，避免了线程切换的开销和GIL的限制。与线程类似，asyncio也提供了信号量asyncio.Semaphore来控制并发。
import asyncio
import random
import time
# 异步信号量，限制最多有3个异步任务同时运行
async_task_semaphore = asyncio.Semaphore(3)
async def delayed_email_async_task():
"""模拟发送延迟邮件的异步任务"""
try:
print(f"[{time.strftime('%H:%M:%S')}] 异步延迟邮件任务开始，等待10秒...")
await asyncio.sleep(10) # 使用asyncio.sleep进行异步等待
print(f"[{time.strftime('%H:%M:%S')}] 异步延迟邮件已发送。")
finally:
async_task_semaphore.release()
print(f"[{time.strftime('%H:%M:%S')}] 异步信号量已释放。")
async def main_async_monitor():
"""使用asyncio的主监控脚本"""
while True:
print(f"[{time.strftime('%H:%M:%S')}] 异步主脚本：检查库存...")
if random.random() > 0.5: # 模拟库存有货的条件
print(f"[{time.strftime('%H:%M:%S')}] 异步主脚本：库存有货！立即发送优先邮件。")
print(f"[{time.strftime('%H:%M:%S')}] 异步主脚本：尝试获取信号量...")
# 异步获取信号量，如果信号量计数为0，当前协程将在此处等待
await async_task_semaphore.acquire()
print(f"[{time.strftime('%H:%M:%S')}] 异步主脚本：信号量获取成功，创建延迟邮件任务。")
# 创建一个异步任务并将其调度到事件循环
asyncio.create_task(delayed_email_async_task())
await asyncio.sleep(3) # 异步等待3秒
if __name__ == "__main__":
# 运行asyncio事件循环
asyncio.run(main_async_monitor())核心优势：asyncio特别适用于大量IO等待的场景，它可以在单个线程中高效地管理数千个并发任务。使用asyncio.Semaphore同样可以限制同时运行的异步任务数量。如果整个应用程序都基于asyncio构建，这将是一个非常优雅且高效的解决方案。
在构建需要并发执行后台任务的系统时，选择合适的并发模型至关重要：
对于本文描述的“通知机器人”场景，即主脚本周期性检查并触发延迟通知，且延迟通知任务本身是IO密集型（等待10分钟），线程池结合信号量或异步IO结合信号量都是非常优秀的解决方案。如果主脚本的“检查库存”部分也是IO密集型，并且整个系统可以改造为异步，那么asyncio将是更优的选择。如果主脚本的“检查库存”部分是CPU密集型或现有代码难以改造为异步，那么线程池结合信号量将是更直接、更易于集成的方案。
无论选择哪种方法，合理设置线程池大小和信号量值是关键，它们需要根据系统的硬件资源、任务特性以及预期的并发负载进行调整。同时，确保后台任务在完成或异常时都能正确释放信号量，以避免死锁。
以上就是Python并发任务管理：构建高效后台通知系统的详细内容，更多请关注php中文网其它相关文章！
每个人都需要一台速度更快、更稳定的 PC。随着时间的推移，垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是，许多工具可以让 Windows 保持平稳运行。
Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号
887
收藏
