多线程
多线程简单实现
多任务可以由多进程完成,也可以由一个进程内的多线程完成。
我们前面提到了进程是由若干线程组成的,一个进程至少有一个线程。
由于线程是操作系统直接支持的执行单元,因此,高级语言通常都内置多线程的支持,Python也不例外,并且,Python的线程是真正的Posix Thread,而不是模拟出来的线程。
Python的标准库提供了两个模块:_thread
和 threading
,_thread
是低级模块,threading是高级模块,对 _thread
进行了封装。绝大多数情况下,我们只需要使用 threading
这个高级模块。
使用 threading
时,我们可以创建 Thread
实例来建立新的线程,然后调用 start()
启动该线程:
import time, threading
# 新线程执行的代码:
def loop():
print('thread %s is running...' % threading.current_thread().name)
n = 0
while n < 5:
n = n + 1
print('thread %s >>> %s' % (threading.current_thread().name, n))
time.sleep(1)
print('thread %s ended.' % threading.current_thread().name)
print('thread %s is running...' % threading.current_thread().name)
t = threading.Thread(target=loop, name='LoopThread')
t.start()
t.join()
print('thread %s ended.' % threading.current_thread().name)
执行结果如下:
thread MainThread is running...
thread LoopThread is running...
thread LoopThread >>> 1
thread LoopThread >>> 2
thread LoopThread >>> 3
thread LoopThread >>> 4
thread LoopThread >>> 5
thread LoopThread ended.
thread MainThread ended.
由于任何进程默认就会启动一个线程,我们把该线程称为主线程,主线程又可以启动新的线程,Python的 threading
模块有个 current_thread()
函数,它永远返回当前线程的实例。主线程实例的名字叫 MainThread
,子线程的名字在创建时指定,我们用 LoopThread
命名子线程。名字仅仅在打印时用来显示,没有其他意义,如果不起名字Python就会自动给线程命名为 Thread-1
,Thread-2
……
线程锁
多线程和多进程最大的不同在于,多进程中,同一个变量,各自有一份拷贝存在于每个进程中,互不影响。而多线程中,所有变量都由所有线程共享,所以,任何一个变量都可以被任何一个线程修改,因此,线程之间共享数据最大的危险在于多个线程同时改一个变量,把内容给改乱了。
来看看多个线程同时操作一个变量怎么把内容给改乱了:
import time, threading
# 假定这是你的银行存款:
balance = 0
def change_it(n):
# 先加后减,结果应该为0:
global balance
balance = balance + n
balance = balance - n
def run_thread(n):
for i in range(100000):
change_it(n)
t1 = threading.Thread(target=run_thread, args=(5,))
t2 = threading.Thread(target=run_thread, args=(8,))
t1.start()
t2.start()
t1.join()
t2.join()
print(balance)
注意,change_it()
函数中,使用了global关键字来声明使用的 balance
变量是在函数定义外部的,这样在函数内部的修改也会反映到函数外部。
balance
,初始值为0,并且启动两个线程,先加后减,理论上结果应该为0,但是,由于线程的调度是由操作系统决定的,当t1、t2交替执行时,只要循环次数足够多,在某个时刻,线程t1和t2同时对 balance
变量进行修改,那么最终结果就不一定是0了。比方说:
时间 | 线程 | balance | 操作 |
---|---|---|---|
00 | t1 | 0 | +5 |
01 | t1 | 5 | -5 |
02 | t2 | 0 | +8 |
03 | t2 | 8 | -8 |
04 | t1 | 0 | +5 |
05 | t2 | 5 | +8 |
06 | t1 | 13 | -8 |
07 | t2 | 5 | -5 |
08 | t1,t2 | 0 | +5,+8 |
09 | t1 | 8 | -5 |
10 | t2 | 3 | -8 |
11 | t1 | -5 | +5 |
12 | t2 | 0 | +8 |
13 | t1 | 8 | -5 |
14 | t2 | 3 | -8 |
假设在08时刻,t1和t2同时执行 balance = balance + n
这个语句,右边的 balance
都取0,那么t1执行完该语句时 balance
为5,而t2执行完时 balance
为8,假设t2后执行完毕,那么 balance
就取8,这时就产生错误了,并且错误会继续累积,当循环次数达到一定规模时,这种错误的累积会非常可怕。
为什么会产生这样的错误呢?其实 呀,这时因为高级语言的一条语句在CPU执行时需要转换为多条汇编指令,即使一个简单的计算:
balance = balance + n
也需要分为两步:
- 计算
balance + n
,存入临时变量中; - 将临时变量的值赋给
balance
。
可以看成:
x = balance + n
balance = x
临时变量 x
是一个局部变量,两个线程各自都有自己的 x
,所以当代码正常执行时:
初始值 balance = 0
t1: x1 = balance + 5 # x1 = 0 + 5 = 5
t1: balance = x1 # balance = 5
t1: x1 = balance - 5 # x1 = 5 - 5 = 0
t1: balance = x1 # balance = 0
t2: x2 = balance + 8 # x2 = 0 + 8 = 8
t2: balance = x2 # balance = 8
t2: x2 = balance - 8 # x2 = 8 - 8 = 0
t2: balance = x2 # balance = 0
结果 balance = 0
但是t1和t2是交替运行的,如果操作系统以下面的顺序执行t1、t2:
初始值 balance = 0
t1: x1 = balance + 5 # x1 = 0 + 5 = 5
t2: x2 = balance + 8 # x2 = 0 + 8 = 8
t2: balance = x2 # balance = 8
t1: balance = x1 # balance = 5
t1: x1 = balance - 5 # x1 = 5 - 5 = 0
t1: balance = x1 # balance = 0
t2: x2 = balance - 8 # x2 = 0 - 8 = -8
t2: balance = x2 # balance = -8
结果 balance = -8
,自然就不对了
究其原因,是因为修改 balance
需要多条语句,而执行这几条语句时,线程可能中断,其他线程可能也会对 balance
进行了修改,从而导致多个线程把同一个对象的内容改乱了。所以,我们必须确保一个线程在修改 balance
的时候,别的线程一定不能改。
如果我们要确保 balance
计算正确,就要给 change_it()
上一把锁,当某个线程开始执行 change_it()
时,我们说,该线程获得了锁,因此其他线程不能同时执行 change_it()
,只能等待锁被释放,线程获得该锁以后才能改。由于锁只有一个,无论多少线程,同一时刻最多只有一个线程持有该锁,所以,不会造成修改的冲突。创建一个锁可以通过 threading.Lock()
来实现:
balance = 0
lock = threading.Lock()
def run_thread(n):
for i in range(100000):
# 先要获取锁:
lock.acquire()
try:
# 放心地改吧:
change_it(n)
finally:
# 改完了一定要释放锁:
lock.release()
当多个线程同时执行 lock.acquire()
时,只有一个线程能成功地获取锁,然后继续执行代码,其他线程就继续等待直到获得锁为止。
获得锁的线程用完后一定要释放锁,否则那些苦苦等待锁的线程将永远等待下去,成为死线程。所以我们用 try...finally
来确保锁一定会被释放。
锁的好处就是确保了某段关键代码只能由一个线程从头到尾完整地执行,坏处当然也很多,首先是阻止了多线程并发执行,包含锁的某段代码实际上只能以单线程模式执行,效率就大大地下降了。其次,由于可以构造多个不同的锁,不同的线程持有不同的锁,在试图获取对方持有的锁时,可能会造成死锁,导致多个线程全部挂起,既不能执行,也无法结束,只能靠操作系统强制终止。
死循环与多核CPU
如果你拥有一个多核CPU,肯定就会想到不同的核应该可以同时执行不同的多个线程。
如果写一个死循环的话,会出现什么情况呢?
打开Mac OS X的Activity Monitor,或者Windows的Task Manager,都可以监控某个进程的CPU使用率。我们可以监控到一个死循环线程会100%占用一个CPU。如果有两个死循环线程,在多核CPU中,可以监控到会占用200%的CPU,也就是占用两个CPU核心。要想把N核CPU的核心全部跑满,就必须启动N个死循环线程。
试试用Python写个死循环:
import threading, multiprocessing
def loop():
x = 0
while True:
x = x ^ 1
for i in range(multiprocessing.cpu_count()):
t = threading.Thread(target=loop)
t.start()
启动与CPU核心数量相同的N个线程,可以监控到CPU占用率仅有102%,也就是仅使用了一核。但是用C、C++或Java来改写相同的死循环,直接可以把全部核心跑满,4核就跑到400%,8核就跑到800%,为什么Python不行呢?
因为Python的线程虽然是真正的线程,但解释器执行代码时,有一个GIL锁:Global Interpreter Lock,任何Python线程执行前,必须先获得GIL锁,然后,每执行100条字节码,解释器就自动释放GIL锁,让别的线程有机会执行。这个GIL全局锁实际上把所有线程的执行代码都给上了锁,所以,多线程在Python中只能交替执行,即使100个线程跑在100核CPU上,也只能用到1个核。
GIL是Python解释器设计的历史遗留问题,通常我们用的解释器是官方实现的CPython,要真正利用多核,除非重写一个不带GIL的解释器。
所以,在Python中,可以使用多线程,但不要指望能有效利用多核。如果一定要通过多线程利用多核,那只能通过C扩展来实现,不过这样就失去了Python简单易用的特点。
不过,也不用过于担心,Python虽然不能利用多线程实现多核任务,但可以通过多进程实现多核任务。多个Python进程有各自独立的GIL锁,互不影响。
小结
多线程编程,模型复杂,容易发生冲突,必须用锁加以隔离,同时,又要小心死锁的发生。
Python解释器由于设计时有GIL全局锁,导致了多线程无法利用多核。多线程并发在Python中就是一个美丽的梦。