默认线程池使用无界队列，任务持续堆积致内存暴涨；未复用executor导致线程数失控；未await Future引发泄漏；CPU密集型任务误用线程池会因GIL竞争而低效。

run_in_executor 默认线程池是无界队列

默认调用 loop.run_in_executor(None, func) 时，asyncio 会懒加载一个全局的 ThreadPoolExecutor，其底层使用的是 queue.Queue（无界队列）。任务 submit 后不阻塞，但会持续堆积在队列里，直到线程池实际消费。如果上游协程提交速度远大于线程处理速度（比如高频 HTTP 请求触发大量文件读取），队列会无限增长，内存持续上涨，最终表现为“线程池耗尽”——实际不是线程没了，而是任务积压、资源卡死。

未复用 executor 导致线程数失控

每次传入新创建的 ThreadPoolExecutor 实例（如 run_in_executor(ThreadPoolExecutor(max_workers=4), func)），又不显式 shutdown()，会导致：

• 每个 executor 启动独立线程池，线程数叠加（例如每秒新建一个 4-worker 池，10 秒后就有 40 个空闲线程）
• 线程对象无法被 GC 回收，threading.active_count() 持续升高
• 系统级文件描述符、栈内存等资源缓慢泄漏，ls -l /proc//fd | grep socket 可能发现异常增长

忘记 await 或错误处理导致 Future 泄漏

run_in_executor 返回的是 asyncio.Future，必须 await 才能释放关联状态。常见陷阱包括：

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

• 直接丢弃返回值：loop.run_in_executor(None, sync_func) 没接变量，Future 对象仍存活，内部引用链阻止 GC
• 在异常路径中漏掉 await：比如 try/except 里只处理了业务异常，却没确保 Future 被 await 或 cancel
• 把 Future 存进列表但永不 result() 或 done() 检查，形成强引用闭环

CPU 密集型任务误用线程池

用默认 ThreadPoolExecutor 处理 CPU 密集型同步函数（如 numpy.linalg.svd、json.loads 大字符串），虽不阻塞事件循环，但会因 GIL 导致线程间严重竞争。表现是：

• 线程池满负荷运转，active_count() 高但 CPU 利用率低
• 任务排队延迟激增，_work_queue.qsize() 持续攀升
• 看似“耗尽”，实则是线程全卡在 GIL 等待，无法并行计算

这种情况该换 ProcessPoolExecutor，而不是加线程数。

Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！