并发编程-线程-死锁现象-GIL全局锁-线程池

一堆锁

死锁现象 (重点)

死锁指的是某个资源被占用后,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
  • 对同一把互斥锁加了多次
  • 一个共享资源,要访问必须同时具备多把锁,但是这些锁被不同线程或者进程所持有,就会导致相互等待对方释放从而程序就卡死了
• 第二种情况的解决方法:
  • 抢锁一定按照相同的顺序去抢
  • 给抢锁加上超时,如果超时则放弃执行

递归锁 (了解)

• 与普通的区别

  • 相同: 多线程之间都有互斥的效果
  • 不同: 同一个线程可以对这个锁执行多次acquire

• 解决方法

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

信号量 (了解)

可以限制同时并执行公共代码的线程数量

如果限制数量为1,则与普通互斥锁没有区别(默认为1)

from  threading import Semaphore,current_thread,Thread
import time

s = Semaphore(2)

def task():
    s.acquire()
    time.sleep(1)
    print(current_thread().name)
    s.release()

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

# 结果是每次都会执行两个子线程

GIL全局锁 (重点)

什么是GIL锁?

在cpython中,全局解释器锁(GIL,是为了阻止多个本地线程在同一时间执行python字节码的互斥锁,

因为cpython的内存管理是非线程安全的,这个锁是非常必要的,因为其他越来越多的特性依赖这个特性.

'''
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.)
'''

为什么需要GIL锁

• 线程安全问题具体的表现

  cpython解释器与python程序之间的关系:

  • python程序本质就是一堆字符串,所以运行一个python程序时,必须要开启一个解释器,但是一个python程序中,解释器只有一个,所有代码都要交给它来解释执行;因此当多个线程都要执行代码时就会产生线程安全问题.

cpython解释器与GC线程

GC线程: 执行python变量名管理的线程

python会自动帮我们处理垃圾,清扫垃圾也是一堆代码,因此也需要开启一个线程来执行,这个线程就是GC线程.

而GC线程与我们程序中的线程就会产生安全问题

例如: 线程a 要定义一个变量

• 先申请一块内存空间
• 再把数据装进去
• 最后将引用计数加1

如果在进行到第二步的时候,CPU切换到了GC线程,GC线程就会把这个值当垃圾清理掉,这就会造成线程安全问题.

带来的问题

GIL是一把互斥锁,互斥锁将导致效率降低

具体表现:

在cpython即便开启了多线程,而且CPU也是多核的,却无法并行执行任务,因为解释器只有一个,同一时间只有一个任务在执行.

如何解决 (重点)

没办法解决,只能尽可能的避免GIL锁影响我们的效率

1. 使用多进程能够实现并行,从而更好的利用多核CPU

2. 对任务进行区分(分为两类): (重点)

   • 计算密集型:

     基本没有IO 大部分时间在计算,例如:人脸识别/图像处理

     由于多线程不能 并行,所以应该使用多进程,将任务分给不同CPU核心

   • IO密集型:

     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

关于新能的探讨 (了解)

之所以加锁是为了解决线程安全问题,但是有了锁,导致cpython中多线程不能并行,只能并发

但是并不能急就此否认python,有一下几点原因

• python是一门语言,而GIL只是cpython解释器的问题,只是python多解释器中的一种
• 如果是单核CPU,GIL不会造成任何影响
• 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,即使CPU也无法提高效率
• 对于IO密集型任务,不会有太大的影响
• 如果没有这把锁,我们程序员就必须自己来解决安全问题

性能测试

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)
#         # p = Thread(target=task)
#         p.start()
#         ps.append(p)
#
#     for i in ps:i.join()
#
#     print("共耗时:",time.time()-start_time)

# 多进程胜

# IO密集型任务

def task():
    for i in range(100):
        with open(r"1.死锁现象.py",encoding="utf-8") as f:
            f.read()

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

    ps = []
    for i in range(10):
        p = Process(target=task)
        # p = Thread(target=task)
        p.start()
        ps.append(p)

    for i in ps:i.join()
    print("共耗时:",time.time()-start_time)

# 多线程胜

GIL锁与自定义锁的区别

• GIL锁,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

线程池与进程池

• 线程池: 就是装线程的容器
• 进程池: 就是装进程的容器

为什么要装到容器中

1. 可以避免频繁的创建和销毁(进行/线程)所造成的资源开销
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

如果进程不结束,池子里面的进程或者线程也是一直存活的

import os
import time
from concurrent.futures import ThreadPoolExecutor,ProcessPoolExecutor
from threading import activeCount,enumerate,currentThread

# # 创建一个线程池   指定最多可以容纳两个线程
# pool = ThreadPoolExecutor(20)
#
# def task():
#     print(currentThread().name)
#
# # 提交任务到池子中
# pool.submit(task)
# pool.submit(task)
#
# print(enumerate())

# 进程池的使用

def task():
    time.sleep(1)
    print(os.getpid())

if __name__ == '__main__':
    pool = ProcessPoolExecutor(2)
    pool.submit(task)
    pool.submit(task)
    pool.submit(task)

同步与异步

• 同步:

  指的是,提交任务后必须在原地等待,直到任务结束. 同步不等于阻塞

• 异步:

  指的是,提交任务后不需要在原地等待,可以继续往下执行代码

异步效率高于同步,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

异步/同步指的是提交任务的方式

解决方法:

• 轮询: 每隔一段时间就问一次

  效率低,无法及时获取结果 (不推荐使用)

• 异步回调: 让任务的执行方主动通知

  可以及时拿到任务的结果,(推荐方式)

# 异步回调
from threading import Thread
# 具体的任务
def task(callback):
    print("run")
    for i in range(100000000):
        1+1
    callback("ok")

#回调函数 参数为任务的结果
def finished(res):
    print("任务完成!",res)

print("start")
t = Thread(target=task,args=(finished,))
t.start()  #执行task时 没有导致主线程卡主 而是继续运行
print("over")

线程池中回调的使用

# 使用案例:
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")