day-3 python多线程编程知识点汇总

　　python语言以容易入门，适合应用开发，编程简洁，第三方库多等等诸多优点，并吸引广大编程爱好者。但是也存在一个被熟知的性能瓶颈：python解释器引入GIL锁以后，多CPU场景下，也不再是并行方式运行，甚至比串行性能更差。注定这门语言在某些方面是有天花板的，对于一些并行要求高的系统，python可能不再成为首选，甚至是完全不考虑。但是事情也并不是绝对悲观的，我们已经看到有一大批人正在致力优化这个特性，新版本较老版本也有了一定改进，一些核心模块我们也可以选用其它模块开发等等措施。

1、python多线程编程

threading是python实现多线程编程的常用库，有两种方式可以实现多线程：1、调用库接口传入功能函数和参数执行；2、自定义线程类继承threading.Thread，然后重写__init__和run方法。

1、调用库接口传入功能函数和参数执行

import threading
import queue
import time

'''
实现功能：定义一个FIFO的queue,10个元素，3个线程同时来获取
'''

# 初始化FIFO队列
q = queue.Queue()
for i in range(10):
    q.put(i)
print("%s : Init queue,size:%d"%(time.ctime(),q.qsize()))

# 线程功能函数，获取队列数据
def run(q,threadid):
    is_empty = False
    while not is_empty:
        if not q.empty():
            data  = q.get()
            print("Thread %d get:%d"%(threadid,data))
            time.sleep(1)
        else:
            is_empty = True

# 定义线程列表
thread_handler_lists = []
# 初始化线程
for i in range(3):
    thread = threading.Thread(target=run,args = (q,i))
    thread.start()
    thread_handler_lists.append(thread)
# 等待线程执行完毕
for thread_handler in thread_handler_lists:
    thread_handler.join()

print("%s : End of progress"%(time.ctime()))

2、自定义线程类继承threading.Thread，然后重写__init__和run方法

　　和其它语言一样，为了保证多线程间数据一致性，threading库自带锁功能，涉及3个接口：

thread_lock = threading.Lock()    创建一个锁对象

thread_lock.acquire()                         获取锁

thread_lock.release()                         释放锁

　　注意：由于python模块queue已经实现多线程安全，实际编码中，不再需要进行锁的操作，此处只是进行编程演示。

import threading
import queue
import time

'''
实现功能：定义一个FIFO的queue,10个元素，3个线程同时来获取
queue线程安全的队列，因此不需要加
thread_lock.acquire()
thread_lock.release()

'''

# 自定义一个线程类，继承threading.Thread，重写__init__和run方法即可
class MyThread(threading.Thread):
    def __init__(self,threadid,name,q):
        threading.Thread.__init__(self)
        self.threadid = threadid
        self.name = name
        self.q =q
        print("%s : Init %s success."%(time.ctime(),self.name))

    def run(self):
        is_empty = False
        while not is_empty:
            thread_lock.acquire()
            if not q.empty():
                data  = self.q.get()
                print("Thread %d get:%d"%(self.threadid,data))
                time.sleep(1)
                thread_lock.release()
            else:
                is_empty = True
                thread_lock.release()

# 定义一个锁
thread_lock = threading.Lock()
# 定义一个FIFO队列
q = queue.Queue()
# 定义线程列表
thread_name_list = ["Thread-1","Thread-2","Thread-3"]
thread_handler_lists = []

# 初始化队列
thread_lock.acquire()
for i in range(10):
    q.put(i)
thread_lock.release()
print("%s : Init queue,size:%d"%(time.ctime(),q.qsize()))

# 初始化线程
thread_id = 1
for thread_name in thread_name_list:
    thread = MyThread(thread_id,thread_name,q)
    thread.start()
    thread_handler_lists.append(thread)
    thread_id += 1

# 等待线程执行完毕
for thread_handler in thread_handler_lists:
    thread_handler.join()

print("%s : End of progress"%(time.ctime()))

　　另外多线程还涉及事件和信号量，很简单，就不再贴代码了

　　用threading.Event 实现线程间通信，使用threading.Event可以使一个线程等待其他线程的通知，我们把这个Event传递到线程对象中，
　　涉及接口：set()、isSet()、Event()、clear()

　　如果在主机执行IO密集型任务的时候再执行这种类型的程序时，计算机就有很大可能会宕机。
　　这时候就可以为这段程序添加一个计数器功能，来限制一个时间点内的线程数量。

　　涉及接口：threading.Semaphore(5)、acquire()、release()

2、python多线程机制分析

　　讨论前，我们先梳理几个概念：

　　并行和并发

　　并发的关键是你有处理多个任务的能力，不一定要同时。而并行的关键是你有同时处理多个任务的能力。我认为它们最关键的点就是：是否是『同时』，或者说并行是并发的子集。

　　GIL

　　GIL:全局解释锁，python解释器级别的锁，为了保证程序本身运行正常，例如python的自动垃圾回收机制，在我们程序运行的同时，也在进行垃圾清理工作。

　　下图试图模拟A进程中3个线程的执行情况：

　　　　

　　　　1、  t1、t2、t3线程处于就绪状态，同时向python解释器获取GIL锁

　　　　2、  假设t1获取到GIL锁，被python分配给任意CPU执行，处于运行状态

　　　　3、  Python基于某种调度方式（例如pcode），会让t1释放GIL锁，重新处于就绪状态

　　　　4、  重复1步骤，假设这时t2获取到GIL锁，运行过程同上，被python分配给任意CPU执行，处于运行状态，Python基于某种调度方式（例如pcode），会让t2释放GIL锁，重新处于就绪状态

　　　　5、  最后可以推得t1、t2、t3按如下1、2、3、4方式串行运行

因此，尽管t1、t2、t3为三个线程，理论上可以并行运行，但实际上python解释器引入GIL锁以后，多CPU场景下，也不再是并行方式运行，甚至比串行性能更差，下面我们做个测试：

我们写两个计算函数，测试单线程和多线程的时间开销，代码如下：

import threading
import time

# 定义两个计算量大的函数
def sum():
    sum = 0
    for i in range(100000000):
        sum += i

def mul():
    sum = 0
    for i in range(10000000):
        sum *= i

# 单线程时间测试
starttime = time.time()
sum()
mul()
endtime = time.time()
period = endtime - starttime
print("The single thread cost:%d"%(period))

# 多线程时间测试
starttime = time.time()
l = []
t1 = threading.Thread(target = sum)
t2 = threading.Thread(target = sum)
l.append(t1)
l.append(t2)
for i in l:
    i.start()
for i in l:
    i.join()
endtime = time.time()
period = endtime - starttime
print("The mutiple thread cost:%d"%(period))

print("End of program.")

测试发现，多线程的时间开销居然比单线程还要大：

这个结果有点让人不可接受，那有没有办法优化？答案是有的，比如把多线程变成多进程，但是考虑到进程开销问题，实际编程中，不能开过多进程，下面是多进程测试代码：

　　

'''
程序欲实现功能：定义1个CPU占用高函数，测试Python多进程执行效率
'''

import multiprocessing
import time
def mul():
    sum = 0
    for i in range(1000000000):
        sum *= i

if __name__ == "__main__":
    start_time = time.time()

    # 执行两个函数
    mul()
    mul()

    end_time = time.time()
    print("single proccess cost : %d" % (end_time - start_time))

    start_time = time.time()

    #定义两个进程
    l = []
    p1 = multiprocessing.Process(target = mul)
    p1.start()
    l.append(p1)
    p2 = multiprocessing.Process(target = mul)
    p2.start()
    l.append(p2)

    #等待进程执行完毕
    for p_list in l:
        p_list.join()

    end_time = time.time()
    print("Mutiple proccess cost : %d"%(end_time - start_time))

　　实际测试结果：

　　

　　测试结果显示：单进程串行执行需要163秒，而双进程执行只需要107秒，显然执行效率更高。

　　  另外进程+协程也可以提高一定性能，这里暂时不再深入分析。

有兴趣可以继续阅读下链接博客：http://cenalulu.github.io/python/gil-in-python/