一:GIL验证
1.验证GIL的存在
from threading import Thread
money = 100
def task():
global money
money -= 1
list_t = []
for i in range(100):
t = Thread(target=task)
t.start()
list_t.append(t)
for t in list_t:
t.join()
print(money) # 0
2.验证GIL的特点
阶段一:自己不加锁的情况
import time
from threading import Thread
money = 100
def task():
global money
tmp = money
time.sleep(0.1)
money = tmp - 1
list_t = []
for i in range(100):
t = Thread(target=task)
t.start()
list_t.append(t)
for t in list_t:
t.join()
print(money) # 99
阶段二:自己加锁的情况
import time
from threading import Thread, Lock
mutex = Lock()
money = 100
def task():
mutex.acquire()
global money
tmp = money
time.sleep(0.1)
money = tmp - 1
mutex.release()
list_t = []
for i in range(100):
t = Thread(target=task)
t.start()
list_t.append(t)
for t in list_t:
t.join()
print(money) # 0
二:验证python中的多进程是否有用
1.不同情况的下多线程和多进程的优略
情况1:单个cpu的IO密集型
- 多进程
申请额外的空间 消耗更多的资源 - 多线程
消耗资源相对较少 通过多道技术 - 结论:多线程有优势!!!
情况2:单个cpu的计算密集型
- 多进程
申请额外的空间 消耗更多的资源(总耗时+申请空间+拷贝代码+切换) - 多线程
消耗资源相对较少 通过多道技术(总耗时+切换) - 结论:多线程有优势!!!
情况3:多个cpu的IO密集型
- 多进程
总耗时(单个进程的耗时+IO+申请空间+拷贝代码) - 多线程
总耗时(单个进程的耗时+IO) - 总结:多线程有优势!!!
情况4:多个cpu的计算密集型
- 多进程
总耗时(单个进程的耗时) - 多线程
总耗时(多个进程的综合) - 总结:多进程完胜!!!
2.代码
from threading import Thread
from multiprocessing import Process
import os
import time
def work():
# 计算密集型
res = 1
for i in range(1, 100000):
res *= i
if __name__ == '__main__':
# print(os.cpu_count()) # 12 查看当前计算机CPU个数
start_time = time.time()
# p_list = []
# for i in range(12): # 一次性创建12个进程
# p = Process(target=work)
# p.start()
# p_list.append(p)
# for p in p_list: # 确保所有的进程全部运行完毕
# p.join()
t_list = []
for i in range(12):
t = Thread(target=work)
t.start()
t_list.append(t)
for t in t_list:
t.join()
print('总耗时:%s' % (time.time() - start_time)) # 获取总的耗时
"""
计算密集型
多进程:5.665567398071289
多线程:30.233906745910645
"""
def work():
time.sleep(2) # 模拟纯IO操作
if __name__ == '__main__':
start_time = time.time()
# t_list = []
# for i in range(100):
# t = Thread(target=work)
# t.start()
# for t in t_list:
# t.join()
p_list = []
for i in range(100):
p = Process(target=work)
p.start()
for p in p_list:
p.join()
print('总耗时:%s' % (time.time() - start_time))
"""
IO密集型
多线程:0.0149583816528320
多进程:0.6402878761291504
"""
三:死锁现象
1.代码实现
from threading import Thread, Lock
import time
mutexA = Lock() # 类名加括号每执行一次就会产生一个新的对象
mutexB = Lock() # 类名加括号每执行一次就会产生一个新的对象
class MyThread(Thread):
def run(self):
self.func1()
self.func2()
def func1(self):
mutexA.acquire()
print(f'{self.name}抢到了A锁')
mutexB.acquire()
print(f'{self.name}抢到了B锁')
mutexB.release()
print(f'{self.name}释放了B锁')
mutexA.release()
print(f'{self.name}释放了A锁')
def func2(self):
mutexB.acquire()
print(f'{self.name}抢到了B锁')
time.sleep(1)
mutexA.acquire()
print(f'{self.name}抢到了A锁')
mutexA.release()
print(f'{self.name}释放了A锁')
mutexB.release()
print(f'{self.name}释放了B锁')
for i in range(10):
t = MyThread()
t.start()
四:信号量
1.定义
- 信号量本质也是互斥锁 只不过它是多把锁
2.注意:
- 信号量在不同的知识体系中 意思可能有区别
- 在并发编程中 信号量就是多把互斥锁
- 在django中 信号量指的是达到某个条件自动触发(中间件)
3.与之前学的锁对比
- 我们之前使用Lock产生的是单把锁
类似于单间厕所 - 信号量相当于一次性创建多间厕所
类似于公共厕所
4.代码展示
from threading import Thread, Lock, Semaphore
import time
import random
sp = Semaphore(5) # 一次性产生五把锁
class MyThread(Thread):
def run(self):
sp.acquire()
print(self.name)
time.sleep(random.randint(1, 3))
sp.release()
for i in range(20):
t = MyThread()
t.start()
五:event事件
1.定义
子进程\子线程之间可以彼此等待彼此
子A运行到某一个代码位置后发信号告诉子B开始运行
2.代码
from threading import Thread, Event
import time
event = Event() # 类似于造了一个红绿灯
def light():
print('红灯亮着的 所有人都不能动')
time.sleep(3)
print('绿灯亮了 油门踩到底 给我冲!!!')
event.set()
def car(name):
print('%s正在等红灯' % name)
event.wait()
print('%s加油门 飙车了' % name)
t = Thread(target=light)
t.start()
for i in range(20):
t = Thread(target=car, args=('熊猫PRO%s' % i,))
t.start()
六:进程池和线程池
1.引出进程池和线程池
多进程 多线程
在实际应用中是不是可以无限制的开进程和线程
肯定不可以!!! 会造成内存溢出受限于硬件水平
我们在开设多进程或者多线程的时候 还需要考虑硬件的承受范围
2.池,进程池,线程池
- 1.池
降低程序的执行效率 保证计算机硬件的安全 - 2.进程池
提前创建好固定个数的进程供程序使用 后续不会再创建 - 3.线程池
提前创建好固定个数的线程供程序使用 后续不会再创建
3.代码
submit(函数名,实参1,实参2,...)
from concurrent.futures import ProcessPoolExecutor, ThreadPoolExecutor
from threading import current_thread
import os
import time
# pool = ThreadPoolExecutor(5) # 固定产生五个线程
pool = ProcessPoolExecutor(5) # 固定产生五个线程
def task(n):
# print(current_thread().name)
print(os.getpid())
# print(n)
time.sleep(1)
return '返回的结果'
def func(*args, **kwargs):
print('func', args, kwargs)
print(args[0].result())
if __name__ == '__main__':
for i in range(20):
# res = pool.submit(task,123) # 朝池子中提交任务(异步)
# print(res.result()) # 同步
# pool.submit(task, 123).add_done_callback(func)
"""异步回调:异步任务执行完成后有结果就会自动触发该机制"""
pool.submit(task, 123).add_done_callback(func)
七:协程
1.定义
协程:单线程下实现并发(效率极高)
在代码层面欺骗CPU 让CPU觉得我们的代码里面没有IO操作
实际上IO操作被我们自己写的代码检测 一旦有 立刻让代码执行别的
(该技术完全是程序员自己弄出来的 名字也是程序员自己起的)
核心:自己写代码完成切换+保存状态
2.代码
import time
from gevent import monkey;
monkey.patch_all() # 固定编写 用于检测所有的IO操作(猴子补丁)
from gevent import spawn
def func1():
print('func1 running')
time.sleep(3)
print('func1 over')
def func2():
print('func2 running')
time.sleep(5)
print('func2 over')
if __name__ == '__main__':
start_time = time.time()
# func1()
# func2()
s1 = spawn(func1) # 检测代码 一旦有IO自动切换(执行没有io的操作 变向的等待io结束)
s2 = spawn(func2)
s1.join()
s2.join()
print(time.time() - start_time) # 8.01237154006958 协程 5.015487432479858
2.协程实现tcp高并发
import socket
from gevent import monkey;monkey.patch_all() # 固定编写 用于检测所有的IO操作(猴子补丁)
from gevent import spawn
def communication(sock):
while True:
data = sock.recv(1024)
print(data.decode('utf8'))
sock.send(data.upper())
def get_server():
server = socket.socket()
server.bind(('127.0.0.1', 8080))
server.listen(5)
while True:
sock, addr = server.accept() # IO操作
spawn(communication, sock)
s1 = spawn(get_server)
s1.join()