我不会称其为
concurrent.futures“高级”，它是一个 更简单的
接口，其工作原理几乎相同，无论您使用多个线程还是多个进程作为基础并行化ization头。
所以，像“简单的界面”的几乎所有情况下，大同小异的取舍都参与：它有一个浅的学习曲线，这在很大程度上只是因为有可用的要少得多 ，以 学习;
但是，由于它提供的选项较少，因此最终可能使您无法使用更丰富的界面而感到沮丧。
就与CPU绑定的任务而言，这还不够具体，以至于说不出什么意义。对于CPython下与CPU绑定的任务，您需要多个进程而不是多个线程才能获得加速的机会。但是，获得多少加速（如果有）取决于硬件，操作系统的详细信息，尤其取决于特定任务需要多少进程间通信。在幕后，所有进程间并行化头都依赖于相同的OS原语-
用于获得这些原语的高级API并不是底线速度的主要因素。
编辑：示例
这是您引用的文章中显示的最终代码，但是我添加了一个导入语句以使其正常工作：
from concurrent.futures import ProcessPoolExecutordef pool_factorizer_map(nums, nprocs): # Let the executor divide the work among processes by using 'map'. with ProcessPoolExecutor(max_workers=nprocs) as executor: return {num:factors for num, factors in zip(nums, executor.map(factorize_naive, nums))}这里使用的是完全一样的东西
multiprocessing：
import multiprocessing as mpdef mp_factorizer_map(nums, nprocs): with mp.Pool(nprocs) as pool: return {num:factors for num, factors in zip(nums, pool.map(factorize_naive, nums))}请注意，
multiprocessing.Pool在Python 3.3中添加了使用对象作为上下文管理器的功能。
至于哪个更易于使用，它们本质上是相同的。
一个区别是
Pool支持这样的事情，你可能不知道是多么容易的许多不同的方式 可以 是直到你攀上了学习曲线相当一路上扬。
同样，所有这些不同的方式都是优点和缺点。它们是优势，因为在某些情况下可能需要灵活性。它们之所以成为弱点，是因为“最好只有一种明显的方式”。
concurrent.futures从长远来看，专案（如果可能）坚持下去的项目可能会更容易维护，这是因为在如何使用其最小的API方面缺乏免费的新颖性。
