Python 的 ThreadPoolExecutor 是 concurrent.futures 模块中高效管理线程的工具，比手动创建和管理 threading.Thread 更安全、简洁。用好它，关键不在“怎么启”，而在“怎么控”和“怎么收”。
合理设置最大线程数，别盲目调大
很多人以为线程越多越快，其实不然。线程切换有开销，过多线程反而拖慢 I/O 密集型任务，对 CPU 密集型任务更无益（受 GIL 限制）。一般建议：
- I/O 密集型（如 HTTP 请求、文件读写）：设为
cpu_count * 5左右，或直接用默认值（min(32, os.cpu_count() + 4)） - CPU 密集型：通常不超过
os.cpu_count()，甚至设为1（此时应考虑ProcessPoolExecutor） - 若任务阻塞时间长（如等待第三方 API），可略增加，但需配合超时和重试控制
务必显式 shutdown，避免资源泄漏
ThreadPoolExecutor 不会自动释放线程资源，尤其在脚本长期运行或反复创建时容易堆积。推荐两种方式：
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 用
with语句确保退出时关闭：with ThreadPoolExecutor(max_workers=4) as executor:<br> results = list(executor.map(task_func, args_list))
- 手动调用
shutdown(wait=True)（等待任务完成）或shutdown(wait=False)（立即返回，后台清理） - 避免只创建不 shutdown —— 即使程序结束，未 join 的线程可能延迟退出，影响调试和监控
正确处理异常和返回值
提交的任务出错不会立刻抛出，而是封装在 Future 对象里。常见误区是忽略 result() 调用时机：
立即学习“Python免费学习笔记（深入）”；
- 用
executor.submit(func, *args)后，必须调用future.result()才会触发异常（否则异常被静默吞掉） - 用
executor.map(func, iterable)时，异常会在遍历结果时才抛出，可用try/except包裹迭代过程 - 批量任务中个别失败不影响其余执行，适合“尽力而为”场景；如需全成功，建议收集所有
Future后统一result()
慎用共享状态，优先用传参和返回值
多个线程共用全局变量或可变对象（如列表、字典）极易引发竞态条件。更安全的做法：
- 每个任务通过参数接收所需数据，通过返回值传递结果，由主线程汇总
- 真需共享状态时，用
threading.Lock或queue.Queue（线程安全）协调访问 - 避免在闭包中修改外部变量（如
for i in range(n): executor.submit(lambda: print(i))中的i值可能全部相同）
