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,请继续关注云网站,小编会继续努力为大家带来更多实用的文章!