多线程面试题汇总

敲代码敲到头发茂密

已于 2024-03-19 11:18:44 修改

阅读量1.2k

点赞数 60

分类专栏：多线程和多进程文章标签： java 面试开发语言 python 职场和发展

于 2024-02-16 22:41:17 首次发布

本文链接：https://blog.csdn.net/YZL40514131/article/details/136124746

版权

多线程和多进程专栏收录该内容

26 篇文章 9 订阅

订阅专栏

一、多线程

1、线程的生命周期

在这里插入图片描述
1、线程的创建：t=threading.Thread()
2、就绪状态：已经获得了除CPU之外的其他资源，正在参与调度，等待被执行，当调度完成之后，立即运行
3、启动状态：获得了CPU时间片段，正在运行
4、等待\阻塞状态：遇到time.sleep()时，会阻塞，暂时不参与调度，等待事件发生
5、中止状态：线程运行结束，run函数运行结束，等待系统回收其线程资源。

2、线程的创建（函数创建）

在这里插入图片描述

3、线程的创建（使用类）

t=MyThread(name=s[i]) 创建线程，里面的参数代表线程的名字，如果不传，系统会默认有一个名字
在这里插入图片描述

4、守护线程

当我们在程序运行中，执行一个主线程，如果主线程又创建一个子线程，主线程和子线程就分兵两路，分别运行，那么当主线程完成想退出时，会检验子线程是否完成。如果子线程未完成，则主线程会等待子线程完成后再退出。但是有时候我们需要的是只要主线程完成了，不管子线程是否完成，都要和主线程—起退出，这时就可以用setDaemon方法
在这里插入图片描述
输出结果：线程2还没有完整的执行完毕，遇到守护线程就终止执行了。

t.setDaemon(True) 当前的子线程设置为守护线程
守护线程：随着主线程的终止而终止，不管当前主线程下有多少子线程没有执行完毕，都会终。

二、全局解释器锁

1、GIL锁不是python的特点。而是cpython的特点。

每个线程在执行的时候都需要先获取GIL，保证同一时刻只有一个线程可以执行代码，即同一时刻只有一个线程使用CPU。在CPython中，每一个Python线程执行前都需要去获得GIL锁，获得该锁的线程才可以执行，没有获得的只能等待，当具有GIL锁的线程运行完成后，其他等待的线程就会去争夺GIL锁，这就造成了，在Python中使用多线程，但同一时刻下依旧只有一个线程在运行，所以Python多线程其实并不是「并行」的，而是「并发」。

1、使用单线程实现累加到500000000

import time,threading


def task(n):
    sum=0
    while sum<n:
        sum+=1
    print(f'最后累加哦结果为:{sum}')



if __name__ == '__main__':
    # 单线程
    start=time.time()
    task(500000000)
    end=time.time()
    print(f'单线程结束后，一共运行的时间为:{end-start}')

在这里插入图片描述

2、使用多线程实现累加到500000000

import time,threading


def task(n):
    sum=0
    while sum<n:
        sum+=1
    print(f'最后累加哦结果为:{sum}')



if __name__ == '__main__':
    # 多线程
    start = time.time()
    t1=threading.Thread(target=task,args=(250000000,))
    t2=threading.Thread(target=task,args=(250000000,))

    t1.start()
    t2.start()

    t1.join()
    t2.join()
    end=time.time()
    print(f'单线程结束后，一共运行的时间为:{end-start}') # todo 15.777813196182251

在这里插入图片描述
发现问题：两个线程同时执行并不能比单个线程的执行快
由此发现：CPU密集型（计算密集型）任务采用多线程执行并不能提高计算速度

3、总结

GIL解决办法：

使用其他语言写的python解析器（不推荐，还是用python官方的CPython好）
- JPython、pypy
不使用多线程，使用多进程-进程里面加协程实现多任务来充分利用多核CPU（推荐）
即使存在GIL，在有IO等待操作的程序中，还是多线程快；当然没有资源等待的还是使用单线程快（科学计算、累加等等）

但是需要注意的是线程有了GIL后并不意味着使用python多线程时不需要考虑线程安全，GIL的存在是为了方便使用C语言CPython解释器的编写者，而顶层使用python时依旧要考虑线程安全。

三、线程安全

当多个线程同时访问一个对象时，不管如何计算，如果调用这个对象的行为都可以获得正确的结果，那就称这个对象时线程安全的。如果出现了“脏数据”。则线程不安全。
脏数据:产生脏数据的原因是，当一个线程在对数据进行修改时，修改到一半时另一个线程读取了未经修改的数据并进行修改。

如何避免脏数据的产生呢?一个办法就是用join方法，即先让一个线程执行完毕再执行另一个线
程。但这样的本质是把多线程变成了单线程，失去了多线程的意义。另一个办法就是用线程锁。

1、多线程之数据混乱问题

在这里插入图片描述

但是当我把累加次数设置小，就不会出现数据混乱问题

数据混乱的原因：
cpu分成多个时间片段，启动10线程，分配10个cpu时间片段，当我累加数字设置比较小的时候，在单个cpu时间片段内，for循环代码就执行完，就不会产生数据混乱的。当我数据设置的比较大时，在单个cpu时间片段内，for循环代码就执行不完，并且没有分配2个或2个以上的连续的cpu时间片段，导致一个cpu时间片段没有执行完该线程，下一个线程开始执行了

2、有了全局解释器锁（GIL）为什么还需要同步锁？

全局解析器锁（GIL）加在了全局了，没有加到我所想要的位置，加到什么位置不是我们决定的；
包括修改资源的程序和非修改资源的程序，如果出现在修改资源的相关代码上，肯定会出现脏数据。
同步锁：来获取一把互斥锁。互斥锁就是对共享数据进行锁定，保证同一时刻只有一个线程操作数据，是数据级别的锁。
GIL锁是解释器级别的锁，保证同一时刻进程中只有一个线程拿到GIL锁，拥有执行权限。

2个线程执行任务造成数据混乱

import threading
num=0
def work():
    global num
    for i in range(1000000):
        num+=1
    print('work',num)


def work1():
    global num
    for i in range(1000000):
        num+=1
    print('work1',num)

if __name__ == '__main__':
    t1=threading.Thread(target=work)
    t2=threading.Thread(target=work1)
    t1.start()
    t2.start()
    t1.join()
    t2.join()
    print('主线程执行结果',num)

执行结果：明显数据混乱了

work work1 16347351376208

主线程执行结果 1634735

说明：

代码中：num+=1，可以拆解为
num=100
100+1
num=101
同步锁这3行代码执行完毕了才会释放锁

3、同步锁

同一时刻的一个进程下的一个线程只能占用CPU，要确保这个线程下的程序在一段时间内被CPU执行，那么就要用到同步锁，只需要在对公共数据的操作前后加上上锁和释放锁的操作即可。

3.1、加同步锁（with方法）

from threading import Lock

import threading
num=0
def work():
    global num
    for i in range(1000000):
        with lock:
            num+=1
    print('work',num)


def work1():
    global num
    for i in range(1000000):
        with lock:
            num+=1
    print('work1',num)

if __name__ == '__main__':
    lock=Lock()
    t1=threading.Thread(target=work)
    t2=threading.Thread(target=work1)
    t1.start()
    t2.start()
    t1.join()
    t2.join()
    print('主线程执行结果',num)

work 1845334work1 2000000

主线程执行结果 2000000

3.2、加同步锁（acquire方法和release方法）

from threading import Lock

import threading
num=0
def work():
    global num
    for i in range(1000000):
        lock.acquire()
        num+=1
        lock.release()
    print('work',num)


def work1():
    global num
    for i in range(1000000):
        lock.acquire()
        num += 1
        lock.release()
    print('work1',num)

if __name__ == '__main__':
    lock=Lock()
    t1=threading.Thread(target=work)
    t2=threading.Thread(target=work1)
    t1.start()
    t2.start()
    t1.join()
    t2.join()
    print('主线程执行结果',num)

workwork1 1921583
2000000
主线程执行结果 2000000

四、锁

锁是python提供给我们能够自行操控线程切换的一种手段，使用锁可以让线程的切换变得有序。
一旦线程的切换变的有序后，各个线程之间对数据的访问、修改就变得可控，所以若要保证线程安全，就必须使用锁。

threading模块中提供了5种最常见的锁，下面是按照功能进行划分：

同步锁：Lock（一次只能放行一个）
递归锁：RLock（一次只能放行一个）
条件锁：condition（一次可以放行任意个）
事件锁：event（一次全部放行）
信号量锁：semaphore（一次可以放行特定个）

1、同步锁

上面已讲解

2、递归同步锁

在同步锁的基础上可以做到连续重复使用多次acquire()后再重复使用多次release()的操作，但是一定要注意加锁次数和解锁次数必须一致，否则也将引发死锁现象。
递归锁RLock:它内部维护着一个Lock和一个counter变量，counter记录了acquire的次数，从而使得资源可以被多次require。直到一个线程所有的acquire都被release，其他的线程才能获得资源。

3、条件锁

条件锁是在递归锁的基础上增加了能够暂停线程运行的功能。并且我们可以使用wait()和notify()来控制线程执行的个数。
注意：条件锁可以自由设定一次放行几个线程。

lock.notify(number)：有条件的唤醒线程
lock.wait() ：让当前线程暂停。并等待
但是不能唤醒特定某个线程



from threading import Thread,Condition,current_thread


#全局变量
g_number = 0

#子线程的数量
sub_thread_count=10

#正在运行的线程数量
current_run_thread_count=0

#创建一个条件锁
lock=Condition()

def task():
    global g_number,current_run_thread_count
    thread_name=current_thread().name  #当前线程的名字
    with lock:
        print(f'{thread_name}线程得到锁，并直接进入等待状态')
        lock.wait() #让当前线程暂停。并等待
        print(f'{thread_name}线程已经苏醒了，并执行后面的代码')
        g_number+=1
        current_run_thread_count+=1


if __name__ == '__main__':
    thread_list=[]
    for i in range(sub_thread_count):
        t=Thread(target=task,name=f't{i+1}')
        thread_list.append(t)
        t.start()
    while current_run_thread_count<sub_thread_count:
        # 由用户输入
        number=int(input("请输入你要唤醒几个线程，数字:"))
        with lock:
            lock.notify(number)

    print('主线程执行结束')

运行代码
每个线程都能得到这把锁，并进入等待状态，此时线程到13行代码已经阻塞了。10个线程都已经调用了wait()函数
在这里插入图片描述
现在需要唤醒4个线程，输入数字4，t1,t2,t3,t4线程被唤醒

再唤醒4个线程，t5~t8被唤醒

4、事件锁

事件锁是基于条件锁来做的，它与条件锁的区别在于一次只能放行全部，不能放行任意个数量的子线程继续运行。
我们可以将事件锁看为红绿灯，当红灯时所有子线程都暂停运行，并进入“等待”状态，当绿灯时所有子线程都恢复“运行”

eventLock.set() 设置绿灯
eventLock.clear() 设置红灯
eventLock.wait() 暂停运行，等待绿灯

import threading

maxSubThreadNumber = 3  #最多子线程为3


def task():
    thread_name = threading.current_thread().name   #获取当前线程的名字
    print("线程开始启动,并马上进入等待状态:%s" % thread_name)
    eventLock.wait()  # 暂停运行，等待绿灯
    print("第一次绿灯打开,线程往下走：%s " % thread_name)
    eventLock.wait()  # 暂停运行，等待绿灯
    print("第二次绿灯打开，线程往下走：%s" % thread_name)


if __name__ == '__main__':
    eventLock = threading.Event()
    for i in range(maxSubThreadNumber):
        subThreadIns = threading.Thread(target=task)
        subThreadIns.start()

    eventLock.set() #设置绿灯
    eventLock.clear()   #设置红灯
    eventLock.set()

在这里插入图片描述

5、信号量锁

Semaphore()
信号量锁也是根据条件锁来做的，它与条件锁的区别如下：
条件锁：一次可以放行任意个处于 “等待” 状态的线程
事件锁：一次可以放行全部的处于 “等待” 状态的线程
信号量锁：通过规定，成批的放行特定个处于 “上锁” 状态的线程

import threading
import time

maxSubThreadNumber = 6


def task():
    thread_name = threading.currentThread().name
    with semaLock:
        print("线程获得锁，开始运行:%s" % thread_name)
        time.sleep(3)


if __name__ == '__main__':
    semaLock = threading.Semaphore(2)
    for i in range(maxSubThreadNumber):
        subThreadIns=threading.Thread(target=task)
        subThreadIns.start()

五、死锁

在多线程程序中，死锁问题很大一部分原因是由于线程同时获取多个锁造成的。
在线程间共享多个资源的时候，如果两个线程分别占有一部分资源并且同时等待对方的资源，就会造成死锁。
3、尽管死锁很难发生，但一旦发生就会造成应用的停止响应。

在这里插入图片描述

1、案例：鱼和熊掌不可兼得问题

import threading
import time

# 代表鱼的锁
mutex_Yu = threading.Lock()
# 代表熊掌的锁
mutex_Xiongzhang = threading.Lock()


class MyThread1(threading.Thread):

    def run(self):
        mutex_Yu.acquire()  # 得到🐟
        print('线程1已经得到鱼了')
        time.sleep(1)

        mutex_Xiongzhang.acquire()
        print('线程1得到熊掌')
        mutex_Xiongzhang.release()
        mutex_Yu.release()


class MyThread2(threading.Thread):

    def run(self):
        mutex_Xiongzhang.acquire()
        print('线程2已经得到熊掌了')
        time.sleep(1)

        mutex_Yu.acquire()
        print('线程2已经得到🐟了')
        mutex_Yu.release()
        mutex_Xiongzhang.release()

if __name__ == '__main__':
    t1 = MyThread1()
    t2 = MyThread2()
    t1.start()
    t2.start()

在这里插入图片描述
解决方法：让多个线程交叉有序的竞争多个资源

#让多个线程交叉有序的竞争多个资源
import threading
import time
# 代表🐟的锁
mutex_Yu = threading.Lock()
# 代表熊掌的锁
mutex_Xiongzhang = threading.Lock()

class MyThread1(threading.Thread):

    def run(self):
        while True:
            mutex_Yu.acquire()  # 得到🐟
            print('线程1已经得到鱼了')
            time.sleep(1)
            mutex_Yu.release()   #释放鱼对应锁

            mutex_Xiongzhang.acquire()  # 得到熊掌
            print('线程1得到熊掌')
            time.sleep(1)
            mutex_Xiongzhang.release()    #释放熊掌对应锁

class MyThread2(threading.Thread):

    def run(self):
        while True:
            mutex_Xiongzhang.acquire()   # 得到熊掌
            print('线程2已经得到熊掌了')
            time.sleep(1)
            mutex_Xiongzhang.release() #释放熊掌对应锁

            mutex_Yu.acquire()     # 得到🐟
            print('线程2已经得到鱼了')
            time.sleep(1)
            mutex_Yu.release()     #释放鱼对应锁

if __name__ == '__main__':
    t1 = MyThread1()
    t2 = MyThread2()
    t1.start()
    t2.start()

六、进程与线程的区别

1、进程是操作系统分配任务的基本单位，进程是python中正在运行的程序；当我们打开1个浏览器时就是开启了一个浏览器进程；
线程是进程中执行任务的基本单位（执行指令集），一个进程中至少有一个线程，当只有一个线程时，称为主线程。
2、进程的创建和销毁消耗资源多；
线程的创建和销毁消耗资源少。
3、线程的切换速度比较快。
4、多进程中，进程与进程之间不能进行通信，如果需要通信需要借助Queue、Pipe；
一个进程中有多个线程时：线程之间可以进行直接通信。
5、多进程可以利用多核CPU：多进程的主要目的是充分利用多核CPU资源。
多线程不可以利用多核CPU：多线程的主要目的是充分利用好某一个单核。
6、进程的启动速度要比线程的启动速度慢。
7、进程与进程是不可以共享同一个数据的（同一个全局变量）；
两个线程可以共享同一个进程中的一个数据（同一个全局变量）。
8、进程用到了Process类；
线程用到了Thread类。
9、进程可以独立存在；
线程不能独立存在，依赖进程存在。
10、多进程中不会出现数据混乱、死锁的问题；
多线程中会出现数据混乱、死锁的问题。

在这里插入图片描述

敲代码敲到头发茂密

关注

60
点赞
踩
66

收藏

觉得还不错? 一键收藏
打赏
49
评论
多线程面试题汇总

使用其他语言写的python解析器（不推荐，还是用python官方的CPython好）不使用多线程，使用多进程-进程里面加协程实现多任务来充分利用多核CPU（推荐）即使存在GIL，在有IO等待操作的程序中，还是多线程快；当然没有资源等待的还是使用单线程快（科学计算、累加等等）但是需要注意的是线程有了GIL后并不意味着使用python多线程时不需要考虑线程安全，GIL的存在是为了方便使用C语言CPython解释器的编写者，而顶层使用python时依旧要考虑线程安全。
复制链接

扫一扫