怎么理解python多线程

python

1、多线程的理解

多进程和多线程都可以执行多个任务,线程是进程的一部分。线程的特点是线程之间可以共享内存和变量,资源消耗少(不过在Unix环境中,多进程和多线程资源调度消耗差距不明显,Unix调度较快),缺点是线程之间的同步和加锁比较麻烦。

2、Python多线程创建

在Python中,同样可以实现多线程,有两个标准模块thread和threading,不过我们主要使用更高级的threading模块。使用例子:

import threading

import time 

def target():

    print 'the curent threading  %s is running' % threading.current_thread().name

    time.sleep(1)

    print 'the curent threading  %s is ended' % threading.current_thread().name 

print 'the curent threading  %s is running' % threading.current_thread().name

t = threading.Thread(target=target) 

t.start()

t.join()

print 'the curent threading  %s is ended' % threading.current_thread().name

输出:

the curent threading  MainThread is running

the curent threading  Thread-1 is running

the curent threading  Thread-1 is ended

the curent threading  MainThread is ended

start是启动线程,join是阻塞当前线程,即使得在当前线程结束时,不会退出。从结果可以看到,主线程直到Thread-1结束之后才结束。

相关推荐:《Python教程》

Python中,默认情况下,如果不加join语句,那么主线程不会等到当前线程结束才结束,但却不会立即杀死该线程。如不加join输出如下:

the curent threading  MainThread is running

the curent threading  Thread-1 is running

 the curent threading  MainThread is ended

the curent threading  Thread-1 is ended

但如果为线程实例添加t.setDaemon(True)之后,如果不加join语句,那么当主线程结束之后,会杀死子线程。代码:

import threading

import time

def target():

    print 'the curent threading  %s is running' % threading.current_thread().name

    time.sleep(4)

    print 'the curent threading  %s is ended' % threading.current_thread().name

print 'the curent threading  %s is running' % threading.current_thread().name

t = threading.Thread(target=target)

t.setDaemon(True)

t.start()

t.join()

print 'the curent threading  %s is ended' % threading.current_thread().name

输出如下:

the curent threading  MainThread is running

the curent threading  Thread-1 is runningthe curent threading  MainThread is ended

如果加上join,并设置等待时间,就会等待线程一段时间再退出:

import threading

import time

def target():

    print 'the curent threading  %s is running' % threading.current_thread().name

    time.sleep(4)

    print 'the curent threading  %s is ended' % threading.current_thread().name

print 'the curent threading  %s is running' % threading.current_thread().name

t = threading.Thread(target=target)

t.setDaemon(True)

t.start()

t.join(1)

输出:

the curent threading  MainThread is running

the curent threading  Thread-1 is running

the curent threading  MainThread is ended

主线程等待1秒,就自动结束,并杀死子线程。如果join不加等待时间,t.join(),就会一直等待,一直到子线程结束,输出如下:

the curent threading  MainThread is running

the curent threading  Thread-1 is running

the curent threading  Thread-1 is ended

the curent threading  MainThread is ended

3、线程锁和ThreadLocal

(1)线程锁

对于多线程来说,最大的特点就是线程之间可以共享数据,那么共享数据就会出现多线程同时更改一个变量,使用同样的资源,而出现死锁、数据错乱等情况。

假设有两个全局资源,a和b,有两个线程thread1,thread2. thread1占用a,想访问b,但此时thread2占用b,想访问a,两个线程都不释放此时拥有的资源,那么就会造成死锁。

对于该问题,出现了Lock。 当访问某个资源之前,用Lock.acquire()锁住资源,访问之后,用Lock.release()释放资源。

a = 3

lock = threading.Lock()

def target():

    print 'the curent threading  %s is running' % threading.current_thread().name

    time.sleep(4)

    global a

    lock.acquire()

    try:

        a += 3

    finally:

        lock.release()

    print 'the curent threading  %s is ended' % threading.current_thread().name

    print 'yes'

用finally的目的是防止当前线程无线占用资源。

(2)ThreadLocal

介绍完线程锁,接下来出场的是ThreadLocal。当不想将变量共享给其他线程时,可以使用局部变量,但在函数中定义局部变量会使得在函数之间传递特别麻烦。ThreadLocal是非常牛逼的东西,它解决了全局变量需要枷锁,局部变量传递麻烦的两个问题。通过在线程中定义:

local_school = threading.local()

此时这个local_school就变成了一个全局变量,但这个全局变量只在该线程中为全局变量,对于其他线程来说是局部变量,别的线程不可更改。 

def process_thread(name):# 绑定ThreadLocal的student: local_school.student = name

这个student属性只有本线程可以修改,别的线程不可以。代码:

local = threading.local()

def func(name):

    print 'current thread:%s' % threading.currentThread().name

    local.name = name

    print "%s in %s" % (local.name,threading.currentThread().name)

t1 = threading.Thread(target=func,args=('haibo',))

t2 = threading.Thread(target=func,args=('lina',))

t1.start()

t2.start()

t1.join()

t2.join()

从代码中也可以看到,可以将ThreadLocal理解成一个dict,可以绑定不同变量。

ThreadLocal用的最多的地方就是每一个线程处理一个HTTP请求,在Flask框架中利用的就是该原理,它使用的是基于Werkzeug的LocalStack。

4、Map实现多线程:

对于多线程的使用,我们经常是用thread来创建,比较繁琐:

class MyThread(threading.Thread):

    def init(self):

        threading.Thread.init(self)

def run(self):

    lock.acquire()

    print threading.currentThread().getName()

    lock.release()

 

def build_worker(num):

    workers = []

    for t in range(num):

        work = MyThread()

        work.start()

        workers.append(work)

    return workers

def producer():

    threads = build_worker(4)

    for w in threads:

        w.join()

    print 'Done'

如果要创建更多的线程,那就要一一加到里面,操作麻烦,代码可读性也变差。在Python中,可以使用map函数简化代码。map可以实现多任务的并发,简单示例:

urls = ['http://www.baidu.com','http://www.sina.com','http://www.qq.com']

results=map(urllib2.urlopen,urls)

map将urls的每个元素当做参数分别传给urllib2.urlopen函数,并最后把结果放到results列表中,map 函数一手包办了序列操作、参数传递和结果保存等一系列的操作。 其原理:

map函数负责将线程分给不同的CPU。

在 Python 中有个两个库包含了 map 函数:

multiprocessing 和它鲜为人知的子库 multiprocessing.dummy。dummy 是 multiprocessing 模块的完整克隆,唯一的不同在于 multiprocessing 作用于进程,而 dummy 模块作用于线程。代码:

import urllib2

from multiprocessing.dummy import Pool as ThreadPool

urls = ['http://www.baidu.com','http://www.sina.com','http://www.qq.com']

pool = ThreadPool()

results = pool.map(urllib2.urlopen,urls)

print results

pool.close()

pool.join()

print 'main ended'

pool = ThreadPool()创建了线程池,其默认值为当前机器 CPU 的核数,可以指定线程池大小,不是越多越好,因为越多的话,线程之间的切换也是很消耗资源的。

results = pool.map(urllib2.urlopen,urls) 该语句将不同的url传给各自的线程,并把执行后结果返回到results中。

代码清晰明了,巧妙得完成Threading模块完成的功能。

5、Python多线程的缺陷:

上面说了那么多关于多线程的用法,但Python多线程并不能真正能发挥作用,因为在Python中,有一个GIL,即全局解释锁,该锁的存在保证在同一个时间只能有一个线程执行任务,也就是多线程并不是真正的并发,只是交替得执行。假如有10个线程炮在10核CPU上,当前工作的也只能是一个CPU上的线程。

6、Python多线程的应用场景:

虽然Python多线程有缺陷,总被人说成是鸡肋,但也不是一无用处,它很适合用在IO密集型任务中。I/O密集型执行期间大部分是时间都用在I/O上,如数据库I/O,较少时间用在CPU计算上。因此该应用场景可以使用Python多线程,当一个任务阻塞在IO操作上时,我们可以立即切换执行其他线程上执行其他IO操作请求。

总结:Python多线程在IO密集型任务中还是很有用处的,而对于计算密集型任务,应该使用Python多进程。

以上是 怎么理解python多线程 的全部内容, 来源链接: utcz.com/z/523549.html

回到顶部