使用pb库实现嵌套进度条的高效管理
在Go语言开发中,处理长时间运行的任务时,进度条是一个非常有用的工具,它能让用户直观地了解任务执行情况。pb(progress bar)库是Go语言中一个流行的进度条实现库,它提供了丰富的功能和灵活的配置选项。
嵌套进度条的挑战
当我们需要监控嵌套循环的执行进度时,简单的单层进度条就无法满足需求了。例如在处理文件批量处理、数据分块计算等场景时,外层循环控制整体批次,内层循环处理每个批次中的具体项目。这种情况下,我们需要同时显示外层和内层的进度信息。
直接使用多个独立的进度条实例会导致输出混乱,进度信息会相互覆盖或产生大量换行,影响用户体验和日志可读性。
pb库的Pool解决方案
pb库提供了Pool功能,专门用于管理多个进度条的协同显示。Pool能够将多个进度条组织在一起,确保它们有序地输出到终端,避免显示混乱。
使用Pool的基本步骤如下:
- 创建各个层级的进度条实例
- 将这些进度条实例加入Pool中
- 启动Pool
- 在循环中更新各个进度条的状态
- 最后停止Pool
实际应用示例
以下是一个典型的使用pb.Pool管理嵌套进度条的示例:
package main
import (
"math/rand"
"time"
"github.com/cheggaaa/pb/v3"
)
func main() {
// 创建内外层进度条
innerBar := pb.New(200).Set("prefix", "处理项目")
outerBar := pb.New(20).Set("prefix", "处理批次")
// 创建进度条池并添加进度条
pool := pb.NewPool(innerBar, outerBar)
// 启动进度条池
_ = pool.Start()
// 模拟处理过程
for i := 0; i < 20; i++ {
// 重置内层进度条
innerBar.SetTotal(200).SetCurrent(0)
for n := 0; n < 200; n++ {
// 模拟处理耗时
time.Sleep(time.Millisecond * time.Duration(rand.Intn(250)))
innerBar.Increment()
}
outerBar.Increment()
}
// 停止进度条池
_ = pool.Stop()
}
在这个示例中,我们创建了两个进度条:一个用于跟踪内层循环的项目处理进度,另一个用于跟踪外层循环的批次处理进度。通过使用Pool,这两个进度条能够协调工作,不会互相干扰。
关键点解析
-
进度条配置:使用Set方法可以设置进度条的前缀等属性,使显示信息更加清晰。
-
进度条重置:在每次外层循环开始时,需要重置内层进度条的总数和当前值,确保进度显示正确。
-
Pool管理:Pool负责协调多个进度条的显示,确保它们有序输出,不会互相覆盖。
-
资源释放:处理完成后调用Stop方法释放Pool资源,这是良好的编程实践。
进阶使用技巧
-
动态调整总数:如果内层循环的项目数是动态变化的,可以在每次循环开始时动态设置总数。
-
自定义模板:pb支持自定义进度条显示模板,可以根据需要调整显示样式。
-
错误处理:虽然示例中简化了错误处理,但实际应用中应该检查Start和Stop的返回值。
-
并发安全:pb的进度条实例不是并发安全的,如果在goroutine中更新进度,需要自行处理同步问题。
通过合理使用pb库的Pool功能,开发者可以轻松实现复杂的嵌套进度显示,大大提升长时间运行任务的可观测性和用户体验。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0105
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00