1. 云图网首页
  2. 技术专区
  3. 研发管理

Python多线程即相关理念分析

• 研发管理, 移动开发, 编程笔记

这篇文章主要介绍“Python多线程即相关理念分析”，在日常操作中，相信很多人在Python多线程即相关理念分析问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”Python多线程即相关理念分析”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

    一、什么是线程？

    线程顾名思义，就是一条流水线工作的过程，一条流水线必须属于一个车间，一个车间的工作过程是一个进程。车间负责把资源整合到一起，是一个资源单位，而一个车间内至少有一个流水线。所以，进程只是用来把资源集中到一起（进程只是一个资源单位，或者说资源集合），而线程才是cpu上的执行单位。

    总结进程与线程区别：

    '''
进程：资源单位
线程：执行单位
线程才是真正干活的人，干活中需要的资源由线程所在进程提供
每个进程肯定自带一个线程
每个进程内可创建多个线程
'''
'''
开进程：
    申请空间
    拷贝代码
    消耗资源大
开线程：
    同一个进程内创建多个线程，无需上述两种操作，消耗资源相对较小
'''

    多线程（即多个控制线程）的概念是，在一个进程中存在多个控制线程，多个控制线程共享该进程的地址空间，相当于一个车间内有多条流水线，都共用一个车间的资源。

    二、开启线程的两种方式

    1、方式1

    from threading import Thread
import time
# 方法一
def task(name):
    print('%s is running' % name)
    time.sleep(1)
    print('%s is over' % name)
# 开启线程不需要在main下面执行代码，直接书写就可以
# 但是习惯性的将启动命令写在main下面
t = Thread(target=task, args=('egon',))
t.start()  # 创建线程的开销非常小，几乎是代码一执行就已经创建了
print('主')
'''

    运行结果：
    egon is running
    主
    egon is over
    '''

    2、方式2

    from threading import Thread
class MyThread(Thread):
    def __init__(self, name):
        # 重写了别人的方法，又不知道别人的方法里有啥，就调用父类的方法
        super().__init__()
        self.name = name
    def run(self):
        print('%s is running' % self.name)
        time.sleep(1)
        print('%s is over' % self.name)
if __name__ == '__main__':
    t = MyThread('egon')
    t.start()
    print('主')
'''

    运行结果：
    egon is running
    主
    egon is over
    '''

    三、线程对象的jion方法（）

    看过我讲解进程文章的小伙伴想必都知道jion的功能，线程的jion方法于进程的jion方法功能类似-等待一个线程执行完毕后再执行下一个线程

    from threading import Thread
def task(name):
    print('%s is running' % name)
    time.sleep(1)
    print('%s is over' % name)
if __name__ == '__main__':
    t=Thread(target=task,args=('egon',))
    t.start()
    t.join()# 主线程等待子线程运行结束后再执行
    print('主')

    '''
    运行结果：
    egon is running
    egon is over
    主
    '''

    补充一个知识点：同一个进程下的多个线程数据共享，下面为大家举一个简单的案例

    from threading import Thread
money=100
def task():
    global money
    money=66
if __name__ == '__main__':
    t=Thread(target=task,args=())
    t.start()
    print(money)

    # 结果：66

    四、 补充小案例

    from threading import Thread
import os,time
def task():
    print('子 pid:',os.getpid())
if __name__ == '__main__':
    t=Thread(target=task,args=())
    t.start()
    print('主 pid:',os.getpid())
    # 两个线程的pid号一样，说明在同一个进程下

    '''
    运行结果：
    子 pid: 13444
    主 pid: 13444
    '''

    # 这是个容易混淆的案例
from threading import Thread,current_thread,active_count
import os,time
def task(n):
    print('子',current_thread().name)
    time.sleep(n) # 延长线程存活时间
if __name__ == '__main__':
    t=Thread(target=task,args=(1,))
    t1=Thread(target=task,args=(1,))
    t.start()
    t1.start()
    t.join()
    # print('主',current_thread().name)# 获取线程名字
    print(active_count()) # 统计当前活跃的进程数

    '''
    运行结果：
    子 Thread-1
    子 Thread-2
    1
    '''
    # 这里大家容易以为是3，其实运行后只有一个线程在活跃了，其它两个线程运行完后就停止运行了

    五、守护线程

    守护线程与守护进程的概念也类似，其实大家也能注意到，进程与线程有许多知识点即用法都是相通的，理解了一个另一个也是差不多的道理

    1、守护线程会随着主线程的结束而结束

    2、主线程运行结束后不会立刻结束，会等待所有的其它非守护线程结束后才会结束

    3、因为主线程的结束意味着所在进程的结束

    from threading import Thread
import time
def task(name):
    print('%s is running'%name)
    time.sleep(1)
    print('%s is over'%name)
if __name__ == '__main__':
    t=Thread(target=task,args=('egon',))
    t.daemon=True #将t设置为守护线程
    t.start()
    print('主')

    '''
    运行结果：
    egon is running
    主
    '''

    # 稍微有点迷惑性的例子
from threading import Thread
import time
def foo():
    print('1234')
    time.sleep(1)
    print('end1234')
def func():
    print('5678')
    time.sleep(3)
    print('end5678')
if __name__ == '__main__':
    t1=Thread(target=foo,args=())
    t2=Thread(target=func,args=())
    t1.daemon=True # t1设为守护线程，t2为非守护线程
    t1.start()
    t2.start()
    print('主......')

    '''
    运行结果：
    1234
    5678主……
    end1234
    end5678
    '''

    '''
    因主线程会等待非守护线程运行结束后在结束，
    所有主线程会等待t2（非守护线程）结束再结束，
    '''

    六、线程互斥锁

    多个线程操作同一份数据的时候，会出现数据错乱的问题

    针对上述问题，解决方式就是加锁处理

    from threading import  Thread,Lock
import time
money=100
mutex=Lock()
def task():
    global money
    mutex.acquire()
    tmp=money
    time.sleep(0.1)# 模拟网络延迟
    money=tmp-1
    mutex.release()
if __name__ == '__main__':
    t_list=[]
    for i in range(100):
        t=Thread(target=task,args=())
        t.start()
        t_list.append(t)
    for t in t_list:
        t.join()
    print(money)

    # 运行结果：0
    # 多个人操作同一份数据，数据错乱，加锁处理

    七、GTL-全局解释器

    相信学python的小伙伴都知道，python解释器其实有多个版本

    • Cpython

    • Jpython

    • Pypython

    但是普遍使用的都是Cpython解释器

    在Cpython解释器中GIL是一把互斥锁，用来阻止同一个进程下的多个线程的同时执行

    要注意同一进程下的多个线程无法利用多核优势！！！！

    想必大家心中也有不少疑惑：pyhon的多线程是不是一点用都没了呢？？？？

    因为Cpython中的内存管理不是线程安全的。多线程并不是一无是处的，在遇到多IO操作的时候，多核的优势也会显示不出来，多进程与多线程的效率在该情况下差不了多少，而此时多进程相对浪费资源，多线程更加节省资源

    ps:内存管理就是垃圾回收机制：

    1、引用计数

    2、标记清除

    3、分带回收

    # GTL-全局解释器
# 重点：1、GIL不是python的特点而是Cpython解释器的特点
#      2、GIL是保证解释器级别的数据的安全
#      3、GIL会导致同一个进程下的多个线程无法同时进行（即无法利用多核优势）
#      4、针对不同的数据还是需要加不同的锁处理
#      5、解释型语言的通病，同一个进程下多个线程无法利用多核优势

    多线程是否有用要看具体情况

    八、验证多线程与多线程运用场景

    # 计算密集型（CPU一直工作，也没有IO）（更适合多进程）
from multiprocessing import Process
from threading import Thread
import os,time
# 多进程情况
def work():
    res=0
    for i in range(0,10000000):
        res*=i
if __name__ == '__main__':
    l=[]
    print(os.cpu_count())# 获取当前计算机CPU核数
    start_time=time.time()
    for i in range(8):# 我计算机是8核
        p= Process(target=work,args=())
        p.start()
        l.append(p)
    for p in l:
        p.join()
    print(time.time()-start_time)

    '''
    运行结果：
    8
    2.0726492404937744
    '''

    # 多线程情况
from multiprocessing import Process
from threading import Thread
import os,time
def work():
    res=0
    for i in range(0,10000000):
        res*=i
if __name__ == '__main__':
    l=[]
    print(os.cpu_count())# 获取当前计算机CPU核数
    start_time=time.time()
    for i in range(8):# 我计算机是8核
        t=Thread(target=work,args=())
        t.start()
        l.append(t)
    for p in l:
        p.join()
    print(time.time()-start_time)

    '''
    运行结果：
    8
    3.5790603160858154
    '''

    # 显然可知：计算密集型更时候多进程

    # IO密集型（任务一直有IO）(多线程更合适)
from multiprocessing import Process
from threading import Thread
import os,time
# 多线程
def work():
    time.sleep(1)
if __name__ == '__main__':
    l=[]
    start_time=time.time()
    for i in range(40):
        t=Thread(target=work,args=())
        t.start()
        l.append(t)
    for p in l:
        p.join()
    print(time.time()-start_time)
# 运行结果：1.0205152034759521
# 多进程
from multiprocessing import Process
from threading import Thread
import os,time
def work():
    time.sleep(1)
if __name__ == '__main__':
    l=[]
    start_time=time.time()
    for i in range(40):
        p= Process(target=work,args=())
        # t=Thread(target=work,args=())
        # t.start()
        # l.append(t)
        p.start()
        l.append(p)
    for p in l:
        p.join()
    print(time.time()-start_time)

    # 运行结果：5.927189588546753

    # 显然可知:IO密集型更适合多线程

    到此，关于“Python多线程即相关理念分析”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注亿速云网站，小编会继续努力为大家带来更多实用的文章！

    原创文章，作者：1402239773，如若转载，请注明出处：https://blog.ytso.com/237582.html

    赞 (0)
    0
    上一篇 2022年1月29日
    下一篇 2022年1月29日

    相关推荐

    发表回复

    登录后才能评论