`std::future`--异步的优势

简介: `std::future`--异步的优势

std::future 相比于直接使用线程在 C++ 中有几个重要的优势,主要体现在同步结果获取、简化代码管理、以及更安全的异步任务管理等方面。以下是 std::future 的一些主要优势:

  1. 自动结果获取与同步

    std::future 提供了一种便捷的机制来获取异步任务的返回值。当我们使用线程时,通常无法轻松获得线程的返回值,线程函数如果有返回值,需要通过共享变量、全局变量或其他同步机制进行通信,这使得代码更加复杂。

    通过 std::future,可以轻松获取异步任务的结果,它在内部同步管理任务执行的结果。

    例子:

    cpp

    include

    include

    int compute() {

     return 42;
    

    }

    int main() {

     std::future<int> result = std::async(std::launch::async, compute);
     std::cout << "Result: " << result.get() << std::endl; // 自动等待线程完成并返回结果
     return 0;
    

    }

    在这种情况下,result.get() 会等待线程完成,并获取异步任务的返回值 42。这比直接使用线程共享状态的方式要简单得多。

  2. 简化代码管理

    使用 std::thread 需要手动管理线程的生命周期,比如使用 join() 来等待线程执行完成。而 std::future 通过 get() 或者 wait() 来等待任务完成,自动管理同步,不需要手动调用 join()。

    直接使用线程时:

    cpp

    include

    include

    void compute(int &result) {

     result = 42;
    

    }

    int main() {

     int result;
     std::thread t(compute, std::ref(result));
     t.join(); // 必须手动调用 join() 等待线程完成
     std::cout << "Result: " << result << std::endl;
     return 0;
    

    }

    这里要通过 std::ref(result) 共享数据,并且必须手动管理线程的结束 (join()),否则程序会发生错误。

  3. 更安全的异步任务管理

    std::future 和 std::async 可以更好地管理异步任务,避免直接操作线程带来的错误。比如,当线程没有被正确 join 时,程序可能崩溃,而 std::future 会自动等待异步任务完成。

    如果程序异常退出或者忘记调用 join(),std::thread 会导致程序中断或者未定义行为。而 std::future 不会发生这些问题,它通过 get() 自动等待异步任务完成。

    例如,如果使用 std::thread,忘记 join(),程序会出现崩溃风险:

    cpp

    std::thread t([] { std::this_thread::sleep_for(std::chrono::seconds(1)); });
    // 如果没有 t.join(),程序将崩溃

  4. 异常管理

[box.freeland-cg.com)
[box.ganxin56.net)
[box.cbzdh.com)
[box.hgmg888.com)
[box.kaquanwu.com)
[box.fxsfsy.com)
std::future 可以捕获异步任务中的异常,而直接使用线程时,异常管理需要额外的工作。在 std::future 中,get() 不仅可以获取任务的结果,还可以在任务中出现异常时,将该异常抛出,方便后续处理。

例子:

cpp

#include <iostream>
#include <future>
#include <stdexcept>

int faulty_task() {
    throw std::runtime_error("Something went wrong!");
}

int main() {
    std::future<int> result = std::async(std::launch::async, faulty_task);
    try {
        int value = result.get(); // 在此捕获异常
    } catch (const std::exception& e) {
        std::cerr << "Exception: " << e.what() << std::endl;
    }
    return 0;
}

直接使用 std::thread 时,要处理任务中的异常需要复杂的机制,std::future 简化了这一过程。
  1. 延迟启动任务

    使用 std::async 和 std::future,你可以选择是否立即启动线程,或者延迟执行任务(惰性启动)。通过 std::async 的第二个参数(如 std::launch::deferred),可以控制任务是否异步执行或延迟执行,这种灵活性在直接使用线程时无法轻易实现。

    惰性启动:

    cpp

    std::future result = std::async(std::launch::deferred, compute); // 任务并不会立即执行
    // result.get() 执行时,任务才开始执行

总结

std::future 的主要优势在于:

简化了异步任务的结果获取与同步操作;
提供了更好的异常管理;
避免了手动管理线程生命周期的复杂性;
提供了延迟执行(deferred execution)的灵活性。

相比之下,std::thread 直接操作线程,虽然可以让程序员显式控制任务,但在实际开发中,这种显式控制常常导致复杂的代码管理和更大的错误风险,因此 std::future 是一种更高层次、更安全的选择。

相关文章
|
24天前
|
弹性计算 人工智能 架构师
阿里云携手Altair共拓云上工业仿真新机遇
2024年9月12日,「2024 Altair 技术大会杭州站」成功召开,阿里云弹性计算产品运营与生态负责人何川,与Altair中国技术总监赵阳在会上联合发布了最新的“云上CAE一体机”。
阿里云携手Altair共拓云上工业仿真新机遇
|
16天前
|
存储 关系型数据库 分布式数据库
GraphRAG:基于PolarDB+通义千问+LangChain的知识图谱+大模型最佳实践
本文介绍了如何使用PolarDB、通义千问和LangChain搭建GraphRAG系统,结合知识图谱和向量检索提升问答质量。通过实例展示了单独使用向量检索和图检索的局限性,并通过图+向量联合搜索增强了问答准确性。PolarDB支持AGE图引擎和pgvector插件,实现图数据和向量数据的统一存储与检索,提升了RAG系统的性能和效果。
|
20天前
|
机器学习/深度学习 算法 大数据
【BetterBench博士】2024 “华为杯”第二十一届中国研究生数学建模竞赛 选题分析
2024“华为杯”数学建模竞赛,对ABCDEF每个题进行详细的分析,涵盖风电场功率优化、WLAN网络吞吐量、磁性元件损耗建模、地理环境问题、高速公路应急车道启用和X射线脉冲星建模等多领域问题,解析了问题类型、专业和技能的需要。
2577 22
【BetterBench博士】2024 “华为杯”第二十一届中国研究生数学建模竞赛 选题分析
|
18天前
|
人工智能 IDE 程序员
期盼已久!通义灵码 AI 程序员开启邀测,全流程开发仅用几分钟
在云栖大会上,阿里云云原生应用平台负责人丁宇宣布,「通义灵码」完成全面升级,并正式发布 AI 程序员。
|
3天前
|
JSON 自然语言处理 数据管理
阿里云百炼产品月刊【2024年9月】
阿里云百炼产品月刊【2024年9月】,涵盖本月产品和功能发布、活动,应用实践等内容,帮助您快速了解阿里云百炼产品的最新动态。
阿里云百炼产品月刊【2024年9月】
|
2天前
|
存储 人工智能 搜索推荐
数据治理,是时候打破刻板印象了
瓴羊智能数据建设与治理产品Datapin全面升级,可演进扩展的数据架构体系为企业数据治理预留发展空间,推出敏捷版用以解决企业数据量不大但需构建数据的场景问题,基于大模型打造的DataAgent更是为企业用好数据资产提供了便利。
163 2
|
20天前
|
机器学习/深度学习 算法 数据可视化
【BetterBench博士】2024年中国研究生数学建模竞赛 C题:数据驱动下磁性元件的磁芯损耗建模 问题分析、数学模型、python 代码
2024年中国研究生数学建模竞赛C题聚焦磁性元件磁芯损耗建模。题目背景介绍了电能变换技术的发展与应用,强调磁性元件在功率变换器中的重要性。磁芯损耗受多种因素影响,现有模型难以精确预测。题目要求通过数据分析建立高精度磁芯损耗模型。具体任务包括励磁波形分类、修正斯坦麦茨方程、分析影响因素、构建预测模型及优化设计条件。涉及数据预处理、特征提取、机器学习及优化算法等技术。适合电气、材料、计算机等多个专业学生参与。
1576 16
【BetterBench博士】2024年中国研究生数学建模竞赛 C题:数据驱动下磁性元件的磁芯损耗建模 问题分析、数学模型、python 代码
|
22天前
|
编解码 JSON 自然语言处理
通义千问重磅开源Qwen2.5,性能超越Llama
击败Meta,阿里Qwen2.5再登全球开源大模型王座
977 14
|
4天前
|
Linux 虚拟化 开发者
一键将CentOs的yum源更换为国内阿里yum源
一键将CentOs的yum源更换为国内阿里yum源
221 2
|
17天前
|
人工智能 开发框架 Java
重磅发布!AI 驱动的 Java 开发框架:Spring AI Alibaba
随着生成式 AI 的快速发展,基于 AI 开发框架构建 AI 应用的诉求迅速增长,涌现出了包括 LangChain、LlamaIndex 等开发框架,但大部分框架只提供了 Python 语言的实现。但这些开发框架对于国内习惯了 Spring 开发范式的 Java 开发者而言,并非十分友好和丝滑。因此,我们基于 Spring AI 发布并快速演进 Spring AI Alibaba,通过提供一种方便的 API 抽象,帮助 Java 开发者简化 AI 应用的开发。同时,提供了完整的开源配套,包括可观测、网关、消息队列、配置中心等。
734 9