python多线程详解-伙伴云

python多线程详解

网友投稿 703 2022-05-29

一、多线程介绍

1、什么是线程？

线程也叫轻量级进程，是操作系统能够进行运算调度的最小单位，它被包涵在进程之中，是进程中的实际运作单位。

线程自己不拥有系统资源，只拥有一点儿在运行中必不可少的资源，但它可与同属一个进程的其他线程共享进程所拥有的全部资源。

一个线程可以创建和撤销另一个线程，同一个进程中的多个线程之间可以并发执行。

2、为什么要使用多线程？

线程在程序中是独立的、并发的执行流。与分隔的进程相比，进程中线程之间的隔离程度要小，它们共享内存、文件句柄和其他进程应有的状态。

因为线程的划分尺度小于进程，使得多线程程序的并发性高。进程在执行过程之中拥有独立的内存单元，而多个线程共享内存，从而极大的提升了程序的运行效率。

线程比进程具有更高的性能，这是由于同一个进程中的线程都有共性，多个线程共享一个进程的虚拟空间。线程的共享环境包括进程代码段、进程的共有数据等，利用这些共享的数据，线程之间很容易实现通信。

操作系统在创建进程时，必须为改进程分配独立的内存空间，并分配大量的相关资源，但创建线程则简单得多。因此，使用多线程来实现并发比使用多进程的性能高得要多。

3、总结起来，使用多线程编程具有如下几个优点：

进程之间不能共享内存，但线程之间共享内存非常容易。

操作系统在创建进程时，需要为该进程重新分配系统资源，但创建线程的代价则小得多。因此使用多线程来实现多任务并发执行比使用多进程的效率高。

Python语言内置了多线程功能支持，而不是单纯地作为底层操作系统的调度方式，从而简化了python的多线程编程。

二、代码举例

import threading

import time,os

'''

1、普通创建方式

'''

# def run(n):

# print('task',n)

# time.sleep(1)

# print('2s')

# time.sleep(1)

# print('1s')

# time.sleep(1)

# print('0s')

# time.sleep(1)

# if __name__ == '__main__':

# target是要执行的函数名（不是函数），args是函数对应的参数，以元组的形式存在

# t1 = threading.Thread(target=run,args=('t1',))

# t2 = threading.Thread(target=run,args=('t2',))

# t1.start()

# t2.start()

'''

2、自定义线程：继承threading.Thread来定义线程类，

其本质是重构Thread类中的run方法

'''

# class MyThread(threading.Thread):

# def __init__(self,n):

# super(MyThread,self).__init__() #重构run函数必须写

# self.n = n

# def run(self):

# print('task',self.n)

# time.sleep(1)

# print('2s')

# time.sleep(1)

# print('1s')

# time.sleep(1)

# print('0s')

# time.sleep(1)

# if __name__ == '__main__':

# t1 = MyThread('t1')

# t2 = MyThread('t2')

# t1.start()

# t2.start()

'''

3、守护线程

下面这个例子，这里使用setDaemon(True)把所有的子线程都变成了主线程的守护线程，

因此当主线程结束后，子线程也会随之结束，所以当主线程结束后，整个程序就退出了。

所谓’线程守护’，就是主线程不管守护线程的执行情况，只要是其他非守护子线程结束且主线程执行完毕，

主线程都会关闭。也就是说:主线程不等待守护线程的执行完再去关闭。

主线程在其他非守护线程运行完毕后才算运行完毕（守护线程在此时就被回收）。

因为主线程的结束意味着进程的结束，进程整体的资源都将被回收，

而进程必须保证非守护线程都运行完毕后才能结束。

'''

# def run(n):

# print('task',n)

# time.sleep(1)

# print('3s')

# time.sleep(1)

# print('2s')

# time.sleep(1)

# print('1s')

# if __name__ == '__main__':

# t=threading.Thread(target=run,args=('t1',))

# t.setDaemon(True)

# t.start()

# print('end')

'''

通过执行结果可以看出，设置守护线程之后，当主线程结束时，子线程也将立即结束，不再执行

'''

4、主线程等待子线程结束

为了让守护线程执行结束之后，主线程再结束，我们可以使用join方法，让主线程等待守护线程执行完毕再结束。

'''

# def run(n):

# print('task',n)

# time.sleep(2)

# print('5s')

# time.sleep(2)

# print('3s')

# time.sleep(2)

# print('1s')

# if __name__ == '__main__':

# t=threading.Thread(target=run,args=('t1',))

# t.setDaemon(True) #把子线程设置为守护线程，必须在start()之前设置

# t.start()

# t.join() #设置主线程等待子线程结束

# print('end')

'''

5、多线程共享全局变量

线程是进程的执行单元，进程是系统分配资源的最小执行单位，所以在同一个进程中的多线程是共享资源的。

'''

# g_num = 100

# def work1():

# global g_num

# for i in range(3):

# g_num+=1

# print('in work1 g_num is : %d' % g_num)

# def work2():

# global g_num

# print('in work2 g_num is : %d' % g_num)

# if __name__ == '__main__':

# t1 = threading.Thread(target=work1)

# t1.start()

# time.sleep(1)

# t2=threading.Thread(target=work2)

# t2.start()

'''

6、互斥锁（Lock）

由于线程之间是进行随机调度，当多个线程同时修改同一条数据时可能会出现脏数据，

所以出现了线程锁，即同一时刻只允许一个线程执行某些操作。

线程锁用于锁定资源，可以定义多个锁，像下面的代码，当需要独占某一个资源时，

任何一个锁都可以锁定这个资源，就好比你用不同的锁都可以把这个相同的门锁住一样。

由于线程之间是进行随机调度的，如果有多个线程同时操作一个对象，

如果没有很好地保护该对象，会造成程序结果的不可预期，也称为“线程不安全”。

为了防止上面情况的发生，就出现了互斥锁（Lock）

'''

# def work():

# global n

# lock.acquire()

# temp = n

# time.sleep(0.1)

# n = temp-1

# lock.release()

# if __name__ == '__main__':

# lock = threading.Lock()

# n = 100

# l = []

# for i in range(100):

# p = Thread(target=work)

# l.append(p)

# p.start()

# for p in l:

# p.join()

'''

7、递归锁：RLcok类的用法和Lock类一模一样，但它支持嵌套。

RLock类代表可重入锁（Reentrant Lock）。

对于可重入锁，在同一个线程中可以对它进行多次锁定，

也可以多次释放。如果使用 RLock，那么 acquire() 和 release() 方法必须成对出现。

如果调用了 n 次 acquire() 加锁，则必须调用 n 次 release() 才能释放锁。

由此可见，RLock 锁具有可重入性。也就是说，同一个线程可以对已被加锁的 RLock 锁再次加锁，

RLock 对象会维持一个计数器来追踪 acquire() 方法的嵌套调用，

线程在每次调用 acquire() 加锁后，都必须显式调用 release() 方法来释放锁。

所以，一段被锁保护的方法可以调用另一个被相同锁保护的方法。

'''

# def func(lock):

# global gl_num

# lock.acquire()

# gl_num += 1

# time.sleep(1)

# print(gl_num)

# lock.release()

# if __name__ == '__main__':

# gl_num = 0

# lock = threading.RLock()

# for i in range(10):

# t = threading.Thread(target=func,args=(lock,))

# t.start()

'''

8、信号量（BoundedSemaphore类）

互斥锁同时只允许一个线程更改数据，而Semaphore是同时允许一定数量的线程更改数据，

比如厕所有3个坑，那最多只允许3个人上厕所，后面的人只能等里面有人出来了才能再进去

'''

# def run(n,semaphore):

# semaphore.acquire() #加锁

# time.sleep(3)

# print('run the thread:%s\n' % n)

# semaphore.release() #释放

# if __name__== '__main__':

# num=0

# semaphore = threading.BoundedSemaphore(5) #最多允许5个线程同时运行

# for i in range(22):

# t = threading.Thread(target=run,args=('t-%s' % i,semaphore))

# t.start()

# while threading.active_count() !=1:

# pass

# else:

# print('----------all threads done-----------')

'''

9、python线程事件

用于主线程控制其他线程的执行，事件是一个简单的线程同步对象，其主要提供以下的几个方法：

clear将flag设置为 False

set将flag设置为 True

is_set判断是否设置了flag

wait会一直监听flag，如果没有检测到flag就一直处于阻塞状态

事件处理的机制：全局定义了一个Flag，

当Flag的值为False，那么event.wait()就会阻塞，

当flag值为True，那么event.wait()便不再阻塞

'''

event = threading.Event()

def lighter():

count = 0

event.set() #初始者为绿灯

while True:

if 5 < count <=10:

event.clear() #红灯，清除标志位

python多线程详解

print("[41;lmred light is on...3[0m]")

elif count > 10:

event.set() #绿灯，设置标志位

count = 0

else:

print('\33[42;lmgreen light is on...\033[0m')

time.sleep(1)

count += 1

def car(name):

while True:

if event.is_set(): #判断是否设置了标志位

print('[%s] running.....'%name)

time.sleep(1)

else:

print('[%s] sees red light,waiting...'%name)

event.wait()

print('[%s] green light is on,start going...'%name)

# startTime = time.time()

light = threading.Thread(target=lighter,)

light.start()

car = threading.Thread(target=car,args=('MINT',))

car.start()

endTime = time.time()

# print('用时：',endTime-startTime)

'''

GIL 全局解释器

在非python环境中，单核情况下，同时只能有一个任务执行。

多核时可以支持多个线程同时执行。

但是在python中，无论有多少个核同时只能执行一个线程。

究其原因，这就是由于GIL的存在导致的。

GIL的全程是全局解释器，来源是python设计之初的考虑，为了数据安全所做的决定。

某个线程想要执行，必须先拿到GIL，我们可以

把GIL看做是“通行证”，并且在一个python进程之中，GIL只有一个。

拿不到线程的通行证，并且在一个python进程中，GIL只有一个，

拿不到通行证的线程，就不允许进入CPU执行。

GIL只在cpython中才有，因为cpython调用的是c语言的原生线程，

所以他不能直接操作cpu，而只能利用GIL保证同一时间只能有一个线程拿到数据。

而在pypy和jpython中是没有GIL的python在使用多线程的时候，调用的是c语言的原生过程。

'''

python针对不同类型的代码执行效率也是不同的

1、CPU密集型代码（各种循环处理、计算等），在这种情况下，由于计算工作多，

ticks技术很快就会达到阀值，然后出发GIL的释放与再竞争

（多个线程来回切换当然是需要消耗资源的），

所以python下的多线程对CPU密集型代码并不友好。

2、IO密集型代码（文件处理、网络爬虫等设计文件读写操作），

多线程能够有效提升效率（单线程下有IO操作会进行IO等待，

造成不必要的时间浪费，而开启多线程能在线程A等待时，自动切换到线程B，

可以不浪费CPU的资源，从而能提升程序的执行效率）。

所以python的多线程对IO密集型代码比较友好。

'''

主要要看任务的类型，我们把任务分为I/O密集型和计算密集型，

而多线程在切换中又分为I/O切换和时间切换。

如果任务属于是I/O密集型，

若不采用多线程，我们在进行I/O操作时，势必要等待前面一个I/O任务完成后面的I/O任务才能进行，

在这个等待的过程中，CPU处于等待状态，这时如果采用多线程的话，

刚好可以切换到进行另一个I/O任务。这样就刚好可以充分利用CPU避免CPU处于闲置状态，提高效率。

但是如果多线程任务都是计算型，CPU会一直在进行工作，

直到一定的时间后采取多线程时间切换的方式进行切换线程，此时CPU一直处于工作状态，

此种情况下并不能提高性能，相反在切换多线程任务时，可能还会造成时间和资源的浪费，

导致效能下降。这就是造成上面两种多线程结果不能的解释。

结论:I/O密集型任务，建议采取多线程，还可以采用多进程+协程的方式

(例如:爬虫多采用多线程处理爬取的数据)；

对于计算密集型任务，python此时就不适用了。

'''

Python 任务调度多线程

图文详解Excel中XLOOKUP函数典型用法整理（xlookup使用方法及实例）

703 2022-05-29

python多线程 详解

图文详解Excel中XLOOKUP函数典型用法整理（xlookup使用方法及实例）

图文详解Excel怎么判断今天星期几（excel判断日期是星期几）

实例详解Excel怎么自动加边框（excel表自动加边框）

推荐文章

企业生产管理是什么，企业生产管理软件

进盘点进销存软件排行榜前十名

进销存系统哪个简单好用？进销存系统优点

工厂生产管理（工厂生产管理流程及制度）

生产管理软件，机械制造业生产管理，制造业生产过程管理软件

进销存软件和ERP有什么区别？进销存与erp软件理解

进销存如何进行库存管理

如何利用excel制作销售订单管理系统？

数据库订单管理系统有哪些功能？数据库订单管理系统怎么设计？

什么是数据库管理系统？

最近发表

热评文章

零代码开发是什么？2022低代码平台排行榜

智能进销存库存管理系统（智慧进销存）

在线文档哪家强？8款在线文档编辑软件推荐

WPS2016怎么绘制简单的价格表?

用在线电子表格，居家办公更轻松

定制订单管理系统（为特定需求定制的订单管理系统）

友情链接