python多线程（二）

开启线程的两种方式

#方式一from threading import Threadimport timedef sayhi(name):   time.sleep(2)   print('%s say hello' %name)

if __name__ == '__main__':   t=Thread(target=sayhi,args=('egon',))   t.start()   print('主线程')

#方式二from threading import Threadimport timeclass Sayhi(Thread):   def __init__(self,name):       super().__init__()       self.name=name   def run(self):       time.sleep(2)       print('%s say hello' % self.name)

if __name__ == '__main__':   t = Sayhi('egon')   t.start()   print('主线程')

在一个进程下开启多个线程与在一个进程下开启多个子进程的区别

谁的开启速度快

from threading import Threadfrom multiprocessing import Processimport osdef work():   print('hello')if __name__ == '__main__':   #在主进程下开启线程   t=Thread(target=work)   t.start()   print('主线程/主进程')   '''   打印结果:   hello   主线程/主进程   '''

   #在主进程下开启子进程   t=Process(target=work)   t.start()   print('主线程/主进程')   '''   打印结果:   主线程/主进程   hello   '''

瞅一瞅pid

from threading import Threadfrom multiprocessing import Processimport os

def work():   print('hello',os.getpid())if __name__ == '__main__':   #part1:在主进程下开启多个线程,每个线程都跟主进程的pid一样   t1=Thread(target=work)   t2=Thread(target=work)   t1.start()   t2.start()   print('主线程/主进程pid',os.getpid())   #part2:开多个进程,每个进程都有不同的pid   p1=Process(target=work)   p2=Process(target=work)   p1.start()   p2.start()   print('主线程/主进程pid',os.getpid())

同一进程内的线程共享该进程的数据？

from  threading import Threadfrom multiprocessing import Processimport osdef work():   global n   n=0if __name__ == '__main__':   # n=100   # p=Process(target=work)   # p.start()   # p.join()   # print('主',n) #毫无疑问子进程p已经将自己的全局的n改成了0,但改的仅仅是它自己的,查看父进程的n仍然为100   n=1   t=Thread(target=work)   t.start()   t.join()   print('主',n) #查看结果为0,因为同一进程内的线程之间共享进程内的数据

线程相关的其他方法

Thread实例对象的方法 # isAlive(): 返回线程是否活动的。 # getName(): 返回线程名。 # setName(): 设置线程名。threading模块提供的一些方法： # threading.currentThread(): 返回当前的线程变量。 # threading.enumerate(): 返回一个包含正在运行的线程的list。正在运行指线程启动后、结束前，不包括启动前和终止后的线程。 # threading.activeCount(): 返回正在运行的线程数量，与len(threading.enumerate())有相同的结果。复制代码

主线程等待子线程结束

from threading import Threadimport timedef sayhi(name):   time.sleep(2)   print('%s say hello' %name)

if __name__ == '__main__':   t=Thread(target=sayhi,args=('egon',))   t.start()   t.join()   print('主线程')   print(t.is_alive())   '''   egon say hello   主线程   False   '''

守护线程

无论是进程还是线程，都遵循：守护xxx会等待主xxx运行完毕后被销毁

需要强调的是：运行完毕并非终止运行

#1.对主进程来说，运行完毕指的是主进程代码运行完毕

#2.对主线程来说，运行完毕指的是主线程所在的进程内所有非守护线程统统运行完毕，主线程才算运行完毕

详细解释：

#1 主进程在其代码结束后就已经算运行完毕了（守护进程在此时就被回收）,然后主进程会一直等非守护的子进程都运行完毕后回收子进程的资源(否则会产生僵尸进程)，才会结束，

#2 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。

from threading import Threadimport timedef sayhi(name):   time.sleep(2)   print('%s say hello' %name)if __name__ == '__main__':   t=Thread(target=sayhi,args=('egon',))   t.setDaemon(True) #必须在t.start()之前设置   t.start()   print('主线程')   print(t.is_alive())   '''   主线程   True   '''

Python GIL(Global Interpreter Lock)

在Cpython解释器中，同一个进程下开启的多线程，同一时刻只能有一个线程执行，无法利用多核优势

首先需要明确的一点是GIL并不是Python的特性，它是在实现Python解析器(CPython)时所引入的一个概念。就好比C++是一套语言（语法）标准，但是可以用不同的编译器来编译成可执行代码。有名的编译器例如GCC，INTEL C++，Visual C++等。Python也一样，同样一段代码可以通过CPython，PyPy，Psyco等不同的Python执行环境来执行。像其中的JPython就没有GIL。然而因为CPython是大部分环境下默认的Python执行环境。所以在很多人的概念里CPython就是Python，也就想当然的把GIL归结为Python语言的缺陷。所以这里要先明确一点：GIL并不是Python的特性，Python完全可以不依赖于GIL

GIL本质就是一把互斥锁，既然是互斥锁，所有互斥锁的本质都一样，都是将并发运行变成串行，以此来控制同一时间内共享数据只能被一个任务所修改，进而保证数据安全。

可以肯定的一点是：保护不同的数据的安全，就应该加不同的锁。

要想了解GIL，首先确定一点：每次执行python程序，都会产生一个独立的进程。例如python test.py，python aaa.py，python bbb.py会产生3个不同的python进程

在一个python的进程内，不仅有test.py的主线程或者由该主线程开启的其他线程，还有解释器开启的垃圾回收等解释器级别的线程，总之，所有线程都运行在这一个进程内，毫无疑问

如果多个线程的target=work，那么执行流程是

多个线程先访问到解释器的代码，即拿到执行权限，然后将target的代码交给解释器的代码去执行

解释器的代码是所有线程共享的，所以垃圾回收线程也可能访问到解释器的代码而去执行，这就导致了一个问题:对于同一个数据100，可能线程1执行x=100的同时，而垃圾回收执行的是回收100的操作，解决这种问题没有什么高明的方法，就是加锁处理，如下图的GIL，保证python解释器同一时间只能执行一个任务的代码

GIL与Lock

GIL保护的是解释器级的数据，保护用户自己的数据则需要自己加锁处理，如下图

GIL与多线程

有了GIL的存在，同一时刻同一进程中只有一个线程被执行

听到这里，有的朋友立马质问：进程可以利用多核，但是开销大，而python的多线程开销小，但却无法利用多核优势，也就是说python没用了，php才是最牛逼的语言？

别着急啊，还没讲完呢。

要解决这个问题，我们需要在几个点上达成一致：

#1. cpu到底是用来做计算的，还是用来做I/O的？#2. 多cpu，意味着可以有多个核并行完成计算，所以多核提升的是计算性能#3. 每个cpu一旦遇到I/O阻塞，仍然需要等待，所以多核对I/O操作没什么用处

一个工人相当于cpu，此时计算相当于工人在干活，I/O阻塞相当于为工人干活提供所需原材料的过程，工人干活的过程中如果没有原材料了，则工人干活的过程需要停止，直到等待原材料的到来。

如果你的工厂干的大多数任务都要有准备原材料的过程（I/O密集型），那么你有再多的工人，意义也不大，还不如一个人，在等材料的过程中让工人去干别的活，

反过来讲，如果你的工厂原材料都齐全，那当然是工人越多，效率越高

结论：

　　对计算来说，cpu越多越好，但是对于I/O来说，再多的cpu也没用

　　当然对运行一个程序来说，随着cpu的增多执行效率肯定会有所提高（不管提高幅度多大，总会有所提高），这是因为一个程序基本上不会是纯计算或者纯I/O，所以我们只能相对的去看一个程序到底是计算密集型还是I/O密集型，从而进一步分析python的多线程到底有无用武之地

#分析：我们有四个任务需要处理，处理方式肯定是要玩出并发的效果，解决方案可以是：方案一：开启四个进程方案二：一个进程下，开启四个线程

#单核情况下，分析结果: 　　如果四个任务是计算密集型，没有多核来并行计算，方案一徒增了创建进程的开销，方案二胜　　如果四个任务是I/O密集型，方案一创建进程的开销大，且进程的切换速度远不如线程，方案二胜

#多核情况下，分析结果：　　如果四个任务是计算密集型，多核意味着并行计算，在python中一个进程中同一时刻只有一个　　线程执行用不上多核，方案一胜　　如果四个任务是I/O密集型，再多的核也解决不了I/O问题，方案二胜#结论：现在的计算机基本上都是多核，python对于计算密集型的任务开多线程的效率并不能带来多大性能上的提升，甚至不如串行(没有大量切换)，但是，对于IO密集型的任务效率还是有显著提升的。

多线程性能测试

计算密集型：多进程效率高

from multiprocessing import Processfrom threading import Threadimport os,timedef work():   res=0   for i in range(100000000):       res*=i

if __name__ == '__main__':   l=[]   print(os.cpu_count()) #本机为4核   start=time.time()   for i in range(4):       p=Process(target=work) #耗时5s多       p=Thread(target=work) #耗时18s多       l.append(p)       p.start()   for p in l:       p.join()   stop=time.time()   print('run time is %s' %(stop-start))

I/O密集型：多线程效率高

from multiprocessing import Processfrom threading import Threadimport threadingimport os,timedef work():   time.sleep(2)   print('===>')

if __name__ == '__main__':   l=[]   print(os.cpu_count()) #本机为4核   start=time.time()   for i in range(400):       # p=Process(target=work) #耗时12s多,大部分时间耗费在创建进程上       p=Thread(target=work) #耗时2s多       l.append(p)       p.start()   for p in l:       p.join()   stop=time.time()   print('run time is %s' %(stop-start))

应用：

多线程用于IO密集型，如socket，爬虫，web
多进程用于计算密集型，如金融分析

---

识别图中二维码,欢迎关注python宝典