async-book项目解析:深入理解select!宏的多Future并发处理
什么是select!宏
在异步编程中,select!宏是一个强大的工具,它允许开发者同时运行多个Future,并在任意一个Future完成时立即做出响应。这种机制特别适合需要同时处理多个异步操作的场景。
基本用法示例
让我们看一个简单的例子:
async fn example() {
let t1 = async_task_1().fuse();
let t2 = async_task_2().fuse();
pin_mut!(t1, t2);
select! {
_ = t1 => println!("任务1先完成"),
_ = t2 => println!("任务2先完成"),
}
}
在这个例子中,两个异步任务t1和t2会并发执行。当其中任意一个任务完成时,对应的处理分支就会被执行,然后整个函数结束,未完成的任务会被丢弃。
select!的核心语法
select!宏的基本语法结构如下:
<模式> = <表达式> => <处理代码>,
可以按照需要添加任意数量的分支。每个分支代表一个Future及其完成时的处理逻辑。
特殊分支:default和complete
select!提供了两个特殊的分支类型:
- default分支:当所有被监控的Future都未完成时执行
- complete分支:当所有被监控的Future都已完成时执行
loop {
select! {
_ = async_task1() => { /* 处理任务1完成 */ },
_ = async_task2() => { /* 处理任务2完成 */ },
complete => break, // 所有任务完成时退出循环
default => { /* 无任务完成时的处理 */ }
}
}
default分支使得select!可以立即返回,而complete分支特别适合在循环中使用,用于检测所有任务是否已完成。
Unpin和FusedFuture的必要性
使用select!时需要注意两个重要的trait:
- Unpin:因为
select!通过可变引用操作Future而非获取所有权,所以Future必须实现Unpin - FusedFuture:确保已完成Future不会被重复轮询
这就是为什么在第一个例子中我们需要调用.fuse()和pin_mut!的原因。这些调用确保了Future满足select!的要求。
FusedStream的应用
对于Stream,有一个对应的FusedStream trait。实现了这个trait的Stream(或通过.fuse()包装的Stream)会从它们的.next()/.try_next()组合器中产生FusedFuture。
let mut stream = some_stream.fuse();
select! {
Some(item) = stream.next() => { /* 处理流中的项 */ },
// 其他分支...
}
高级用法:Fuse和FuturesUnordered
使用Fuse::terminated()
Fuse::terminated()可以创建一个已终止的空Future,稍后可以填充需要运行的Future。这在需要在select!循环中动态创建任务时特别有用。
let future = Fuse::terminated();
loop {
select! {
_ = future => { /* 处理完成的future */ },
Some(new_item) = stream.next() => {
// 用新任务替换原来的future
future.set(async_task(new_item).fuse());
}
}
}
使用FuturesUnordered
当需要同时运行多个相同Future的实例时,FuturesUnordered类型非常有用。与select!不同,它会运行每个Future直到完成,而不是在新Future创建时中止之前的。
let mut futures = FuturesUnordered::new();
loop {
select! {
result = futures.select_next_some() => {
println!("获得结果: {:?}", result);
},
new_num = stream.next() => {
futures.push(run_on_new_num_fut(new_num));
}
}
}
实际应用场景
select!宏在以下场景特别有用:
- 同时等待多个网络请求,处理最先返回的结果
- 实现超时机制
- 构建响应式系统,同时监听多个事件源
- 在服务器中处理多个并发客户端请求
性能考虑
使用select!时需要注意:
- 每个分支的Future都会被轮询,因此分支数量会影响性能
- 对于大量并发任务,考虑使用
FuturesUnordered可能更高效 - 避免在
select!中放置计算密集型任务,这可能导致其他Future饥饿
总结
select!宏是Rust异步编程中处理多个并发Future的强大工具。通过合理使用select!及其相关功能(如Fuse和FuturesUnordered),开发者可以构建高效、响应式的异步应用程序。理解Unpin和FusedFuture的要求是正确使用select!的关键,而default和complete分支则为处理各种边界情况提供了便利。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00