自学教程：python多线程超详细详解

import threadingfrom threading import Lock,Threadimport time,os'''          python多线程详解  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'''''' 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。'''''' 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。'''''' 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__':#  t1 = threading.Thread(target=run,args=('t1',))  # 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#  t2 = threading.Thread(target=run,args=('t2',))#  t1.start()#  t2.start()''' 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()''' 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'，就是主线程不管该线程的执行情况，只要是其他子线程结束且主线程执行完毕，主线程都会关闭。也就是说:主线程不等待该守护线程的执行完再去关闭。'''# 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'''''' 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，让主线程等待子线程执行'''# 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')''' 多线程共享全局变量 线程时进程的执行单元，进程时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()'''  由于线程之间是进行随机调度，并且每个线程可能只执行n条执行之后，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，即同一时刻允许一个线程执行操作。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， 我们因此也称为“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 = Lock()#  n = 100#  l = []#  for i in range(100):#   p = Thread(target=work)#   l.append(p)#   p.start()#  for p in l:#   p.join()''' 递归锁：RLcok类的用法和Lock类一模一样，但它支持嵌套，在多个锁没有释放的时候一般会使用RLock类'''# 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()''' 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-----------')''' python线程的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   print("/33[41;lmred light is on.../033[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 += 1def 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。'''