多线程浅谈

Python 中的多线程通常用于处理I/O密集型任务，如网络请求、文件读写操作等，以及需要等待外部事件的情况。

需要注意的是，由于Python的全局解释器锁（GIL）的限制，Python 中的多线程并不能充分利用多核处理器。如果需要充分利用多核处理器，可以考虑使用多进程（multiprocessing 模块）或异步编程（asyncio 模块）。

启动多线程

Thread

在Python中，可以使用threading模块来实现多线程编程。多线程允许程序同时执行多个任务，因此可以提高程序的运行效率

import threading
import time


def task_function(task_id, result):
    # 任务函数，用于模拟耗时任务，并将结果存储在 result 列表中
    print(f"Task {
     task_id} started")
    time.sleep(2)
    result.append(task_id * 2)
    print(f"Task {
     task_id} completed")


def main():
    threads = []  # 用于存储创建的线程
    result = []   # 用于存储任务执行的结果
    for i in range(1, 6):
        thread = threading.Thread(target=task_function, args=(i, result))  # 创建线程
        threads.append(thread)  # 将线程添加到列表
        thread.start()          # 启动线程

    for thread in threads:
        thread.join()  # 等待线程执行完毕

    print(result)


if __name__ == "__main__":
    main()

Task 1 started
Task 2 started
Task 3 started
Task 4 started
Task 5 started
Task 2 completed
Task 1 completed
Task 4 completed
Task 5 completed
Task 3 completed
Result: [4, 2, 8, 10, 6]

ThreadPoolExecutor

线程池是一种用于管理和复用线程的技术，能够提高线程的使用效率。线程池通常用于管理并发任务，尤其是对于需要频繁创建和销毁线程的情况，线程池可以减少线程创建和销毁的开销，提高系统的性能和响应速度。

在使用线程池时，我们可以通过控制 max_workers 参数来限制线程池中的线程数量，以避免线程过多导致系统资源耗尽。

from concurrent.futures import ThreadPoolExecutor, as_completed
import time


# 定义一个简单的函数，将在线程池中执行
def task(num):
    print(f"Starting task {
     num}")
    time.sleep(1)  # 模拟一个耗时操作
    print(f"Task {
     num}