并发编程--一堆锁，GIL，同步异步，Event事件

目录

• 一堆锁
  • 死锁现象（*****）
  • 递归锁 RLock （了解）
  • 信号量 （了解）
• GIL（*****）
  • 什么时GIL锁
  • 为什么需要GIL锁
  • Cpython解释器与GC的问题
  • GIL锁带来的问题
  • 多线程与多进程性能对比
• 进程池与线程池
• 同步异步（*****）
• Event事件

一堆锁

死锁现象（*****）

​ 死锁指的是，某个资源被占用之后，一直得不到释放，导致其他需要这个资源的线程进入阻塞状态

• 产生死锁的情况

  1. 对同一把互斥锁，进行了多次加锁

  2. 一个共享资源，在访问时必须具备多把锁，但是这些锁被不同的线程或进程所持有，这样会导致相互等待对方释放，从而程序卡死

     解决方案：

     1. 按照相同的顺序进行抢锁
     2. 给抢锁加上超时，如果超时就放弃抢锁

递归锁 RLock （了解）

​ 与普通的互斥锁相同点在于，在多线程之间有互斥的效果但是同一个线程中，递归锁可以多次加锁，执行多次acquire

​ 同一个线程必须保证 加锁的次数和解锁的次数相同 其它线程才能够抢到这把锁

​ RLock只是解决了代码逻辑上的错误导致的死锁，并不能解决多个锁造成的死锁问题

# 同一把RLock 多次acquire
#l1 = RLock()
#l2 = l1

# 不同的RLock 依然会锁死
#l1 = RLock()
#l2 = RLock()

def task():
    l1.acquire()
    print(threading.current_thread().name,"拿到了筷子")
    time.sleep(0.1)
    l2.acquire()
    print(threading.current_thread().name, "拿到了盘子")

    print("吃饭")
    l1.release()
    l2.release()

def task2():
    l2.acquire()
    print(threading.current_thread().name, "拿到了盘子")

    l1.acquire()
    print(threading.current_thread().name,"拿到了筷子")

    print("吃饭")
    l2.release()
    l1.release()

t1 = Thread(target=task)
t1.start()
t2 = Thread(target=task2)
t2.start()

信号量 （了解）

​ 可以用来限制同时并发执行公共代码的线程数量

​ 如果限制数量为1，则和普通的互斥锁一样

from threading import Thread, Semaphore, currentThread
import time

s = Semaphore(3)   # 一次只能有3个线程占用
def task():
    s.acquire()
    time.sleep(1)
    print(currentThread().name)
    s.release()

for i in range(10):
    Thread(target=task).start()

​ 注意:信号量不是用来解决安全问题的 而是用于限制最大的并发量

GIL（*****）

什么时GIL锁

'''
In CPython, the global interpreter lock, or GIL, is a mutex that prevents multiple native threads from executing Python bytecodes at once. This lock is necessary mainly because CPython’s memory management is not thread-safe. (However, since the GIL exists, other features have grown to depend on the guarantees that it enforces.)
'''

'''
在CPython中，全局解释器锁(global interpreter lock, GIL)是一个互斥体，它防止多个本机线程同时执行Python字节码。这个锁是必要的，主要是因为CPython的内存管理不是线程安全的。(然而，自从GIL存在以来，其他特性已经逐渐依赖于它强制执行的保证。)
'''

GIL本质是一把互斥锁，但GIL锁住的是解释器级别的数据

自定义锁，锁的是解释器以外的共享资源，例如:硬盘上的文件 控制台，对于这种不属于解释器的数据资源就应该自己加锁处理

为什么需要GIL锁

​ python程序本身只是一串字符，只有通过python解释器运行之后才具有意义，但是在一个python程序中python解释器只有一个，所有代码都是由它来执行的，当多个线程都需要执行代码时，就会产生线程安全问题。

​ 如果我们不开线程，是否就没有问题了?

Cpython解释器与GC的问题

GC线程又叫垃圾回收机制

在python中，解释器会自动帮我们进行垃圾回收，这也是需要开启一个线程来进行的，也就是说，当我们没有开启子线程的时候，内部还是有多个线程在执行。所以这就会带来线程安全问题

例如：

​ 线程a要定义一个变量 b，首先申请一块空内存，然后把数据装进去，此时变量b的引用计数为0，最后才会将引用计数加一

​ 但是，如果在刚把数据装进去的时候，CPU切换到GC线程，GC线程就会把变量b当作垃圾进行回收

GIL锁带来的问题

GIL锁本质还是一把互斥锁，所以就会降低程序运行效率

• 没有解决办法，只有尽可能的避免GIL带来的影响

  1. 使用多线程实现并行，更好的利用多核CPU

  2. 对任务进行区分

     1. 计算密集型

        基本没有IO操作，大部分时间都是在进行计算，例如人脸识别，图像处理

        由于线程不能并行，应该使用多进程，将任务分给不同的CPU进行

     2. IO密集型

        计算任务非常少，大部分时间都在等待IO操作

        由于网络IO速度对比CPU处理速度非常慢，多线程并不会造成太大的影响，另外如有大量客户端连接服务，进程根本开不起来，只能用多线程

多线程与多进程性能对比

加锁主要就是为了解决线程安全问题，但这也导致了Cpython中，多线程只能并发而不能并行

python的优势：

1. python是一门语言，GIL是Cpython解释器的问题 ，Jpython，pypy 并没有

2. 如果是单核CPU，GIL不会造成任何影响

3. 由于目前大多数程序都是基于网络的，网络速度对比CPU是非常慢的，导致即使多核CPU也无法提高效率

4. 对于IO密集型任务，不会有太大的影响

5. 如果没有这把锁，我们程序猿将必须自己来解决安全问题

性能测试 ：

1. 计算密集型任务

   from multiprocessing import Process
   from threading import  Thread
   import time
   # # 计算密集型任务
   
   def task():
       for i in range(100000000):
           1+1
   
   if __name__ == '__main__':
       start_time = time.time()
       ps = []
       for i in range(5):
           # p = Process(target=task)   # 4.420854806900024
           p = Thread(target=task)   # 20.043513298034668
           p.start()
           ps.append(p)
   
       for i in ps:i.join()
       print("共耗时:",time.time()-start_time)
   

2. IO密集型

   from multiprocessing import Process
   from threading import  Thread
   import time
   # IO密集型任务
   
   def task():
       for i in range(100):
           with open(r"1.死锁现象.py", 'r', encoding="utf-8") as fr:
               fr.read()
   
   if __name__ == '__main__':
       start_time = time.time()
   
       ps = []
       for i in range(10):
           # p = Process(target=task)   # 1.1040928363800049
           p = Thread(target=task)   # 0.09919905662536621
           p.start()
           ps.append(p)
   
       for i in ps:i.join()
       print("共耗时:",time.time()-start_time)
   

进程池与线程池

池是一个容器，可以用来装一些东西，但池也是有容量限制的，不可能无限制的装东西

进程池和线程池就是用来装进程和线程的容器

进程池和线程池的好处：

1. 可以避免频繁的创建和销毁(进程/线程)来的资源开销
2. 可以限制同时存在的线程数量，以保证服务器不会应为资源不足而导致崩溃
3. 帮我们管理了线程的生命周期
4. 管理了任务的分配

进程池与线程池的使用

1. 线程池

   from concurrent.futures import ThreadPoolExecutor
   from threading import enumerate,currentThread
   
   # 创建一个线程池   指定最多可以容纳两个线程
   pool = ThreadPoolExecutor(2)
   
   def task():
       print(currentThread().name)
   
   # 提交任务到池子中
   pool.submit(task)
   pool.submit(task)
   
   print(enumerate())
   

2. 进程池

   import os
   import time
   from concurrent.futures import ProcessPoolExecutor
   
   # 创建一个进程池, 指定最多可以容纳两个线程
   def task():
       time.sleep(1)
       print(os.getpid())
   
   if __name__ == '__main__':
       pool = ProcessPoolExecutor(2)
       pool.submit(task)
       pool.submit(task)
       pool.submit(task)
   

注意：如果进程不结束，池子里面的进程或线程也是一直存活的

同步异步（*****）

**异步同步指的是提交任务的方式 **

同步：是指提交任务后，必须需要等待任务完成之后才能进行下一个任务

异步：是指提交任务后，不需要等待任务完成，继续进行下一个任务

异步效率高于同步，但异步任务将导致一个问题，就是任务的发起方不知道任务何时处理完毕

解决办法：

1. 轮询：每隔一段时间询问一次

   ​ 结果：效率低，无法及时获取结果

2. 异步回调：让任务的执行方主动通知

   ​ 结果：可以及时拿到任务的结果

案例：

from threading import Thread

# 具体的任务
def task(callback):
    print('run')
    for i in range(100000000):
        1 + 1
    callback(True)

# 回调函数，参数为任务的结果
def finished(res):
    if res:
        print('任务完成')
    else:
        print('任务失败')

print('start...')
t = Thread(target=task,args=(finished,))
t.start()
print('over')

​ 线程池中回调的使用

from concurrent.futures import ThreadPoolExecutor

def task(num):
    time.sleep(1)
    print(num)
    return "hello python"

def callback(obj):
    print(obj.result())

pool = ThreadPoolExecutor()
res = pool.submit(task,123)
res.add_done_callback(callback)
print("over")

Event事件

Event用于线程间状态同步，

执行状态：指的是程序运行到哪一步，此时的状态

执行结果：程序运行完了得到的结果

如果我们要拿到执行结果，可以采用异步回调

Event事件的本质就是一个标志，True or False

Evevt里面包含了一个wait函数，可以阻塞当前线程，直到状态由False变为True

from threading import Thread, Event
import time

e = Event()
# is_bool = False

def start_server():
    # global is_bool
    print('starting server.....')
    time.sleep(3)
    print('server started')
    # is_bool = True
    e.set()

def connect_server():
    e.wait()
    if e.is_set():
        print('连接服务器成功')
    # while True:
    #     if is_bool:
    #         print('连接服务器成功')
    #         break
    #     else:
    #         print('连接服务器失败')
    #
    #     time.sleep(0.1)

t1 = Thread(target=start_server)
t2 = Thread(target=connect_server)

t1.start()
t2.start()