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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00