1. 线程回调
在线程池、进程池中,每次提交任务都会返回一个表示任务的对象(future对象)
future对象具有一个绑定方法:add_done_callback用于指定回调函数
add 意味着可以添加多个回调函数
如果直接使用Thread的话,如何完成回调?在线程中继续调用一个函数,并在主线程中把需要调用的函数名单程参数传给子线程,参数名直接加()就可以调用函数,这样就实现了线程回调。
from threading import Thread import time def call_back(res): print("回调函数执行完成,结果为%s" % res) def task(call): print("子线程 running") time.sleep(3) res = 10 call(res) t = Thread(target=task, args=(call_back,)) t.start() print("主线程 Game Over")
2. 线程队列
from queue import Queue,LifoQueue,PriorityQueue # 与进程的JoinableQueue使用的方式一样,但是不具备IPC q = Queue() q.put(1) q.task_done() print(q.get(block=True,timeout=3)) print(q.get()) # LifoQueue # last in first out 后进先出,先进后出,类似堆栈 # 和Queue除了在顺序取值方面相反,其余都一样 # 具备优先级的队列 PriorityQueue pq = PriorityQueue() pq.put("a") pq.put("A") print(pq.get()) # A
3. 线程事件event
因为不同线程之间是独立运行的状态不可预测,所以一个线程与另一个线程间的数据是不同步的,当一个线程需要利用另一个线程的状态来确定自己的下一步操作时,就必须保持线程间数据的同步,Event就可以实现线程间同步
Event对象包含一个可由线程设置的信号标志,它允许线程等待某些事件的发生。在 初始情况下,Event对象中的信号标志被设置为假。如果有线程等待一个Event对象, 而这个Event对象的标志为假,那么这个线程将会被一直阻塞直至该标志为真。一个线程如果将一个Event对象的信号标志设置为真,它将唤醒所有等待这个Event对象的线程。如果一个线程等待一个已经被设置为真的Event对象,那么它将忽略这个事件, 继续执行
event.isSet():返回event的状态值;
event.wait():将阻塞线程;知道event的状态为True
event.set(): 设置event的状态值为True,所有阻塞池的线程激活进入就绪状态, 等待操作系统调度;
event.clear():恢复event的状态值为False。
from threading import Thread,Event import time boot_event = Event() def boot_server(): print("正在启动服务器") time.sleep(3) print("服务器启动完成") boot_event.set() # 标记事件已经发生; def connect_server(): boot_event.wait() # 等待事件发生 print("链接服务器成功") t1 = Thread(target=boot_server) t1.start() t2 = Thread(target=connect_server) t2.start()
4. 协程
上一节中我们知道GIL锁将导致CPython无法利用多核CPU的优势,只能使用单核并发的执行。很明显效率不高,那有什么办法能够提高效率呢?
效率要高只有一个方法就是让这个当前线程尽可能多的占用CPU时间,如何做到?
任务类型可以分为两种 IO密集型 和 计算密集型
对于计算密集型任务而言 ,无需任何操作就能一直占用CPU直到超时为止,没有任何办法能够提高计算密集任务的效率,除非把GIL锁拿掉,让多核CPU并行执行。
对于IO密集型任务任务,一旦线程遇到了IO操作CPU就会立马切换到其他线程,而至于切换到哪个线程,应用程序是无法控制的,这样就导致了效率降低。
如何能提升效率呢?如果可以监测到线程的IO操作时,应用程序自发的切换到其他的计算任务,
4.1 单线程实现并发
4.1.1 yeild
并发:指的是多个任务同时发生,看起来好像是同时都在进行,并发 = 切换任务+保存状态,只要找到一种方案,能够在两个任务之间切换执行并且保存状态,那就可以实现单线程并发
python中的生成器就具备这样一个特点,每次调用next都会回到生成器函数中执行代码,这意味着任务之间可以切换,并且是基于上一次运行的结果,这意味着生成器会自动保存执行状态!
对于纯计算任务而言,单线程并发反而使执行效率下降了一半左右,所以这样的方案对于纯计算任务而言是没有必要的
4.1.2 greenlet
该模块简化了yield复杂的代码结构,实现了单线程下多任务并发,但是无论直接使用yield还是greenlet都不能检测IO操作,遇到IO时同样进入阻塞状态,所以此时的并发是没有任何意义的。
现在我们需要一种方案 即可检测IO 又能够实现单线程并发,于是gevent闪亮登场
4.2 协程
协程:是单线程下的并发,又称微线程,协程是一种用户态的轻量级线程,即协程是由用户程序自己控制调度的
python的线程属于内核级别的,即由操作系统控制调度(如单线程遇到io或执行时间过长就会被迫交出cpu执行权限,切换其他线程运行)
#2. 单线程内开启协程,一旦遇到io,就会从应用程序级别(而非操作系统)控制切换,以此来提升效率
对比操作系统控制线程的切换,用户在单线程内控制协程的切换
优点如下:
1.协程的切换开销更小,属于程序级别的切换,操作系统完全感知不到,因而更加轻量级
2. 单线程内就可以实现并发的效果,最大限度地利用cpu
缺点如下:
1. 协程的本质是单线程下,无法利用多核,可以是一个程序开启多个进程,每个进程内开启多个线程,每个线程内开启协程来尽可能提高效率
2. 协程本质是单个线程,因而一旦协程出现阻塞,将会阻塞整个线程
在Cpython中想要效率最高: 多进程 + 多线程 + 协程
如果这都不够只能集群分布式
# gevent 不具备检测IO的能力 需要为它打补丁 打上补丁之后就能检测IO # 注意补丁一定打在最上面 必须保证导入模块前就打好补丁 from gevent import monkey monkey.patch_all() from threading import current_thread import gevent,time def task1(): print(current_thread(),1) print("task1 run") time.sleep(3) print("task1 over") def task2(): print(current_thread(),2) print("task2 start") print("task2 over") # spawn 用于创建一个协程任务 g1 = gevent.spawn(task1) g2 = gevent.spawn(task2) # 任务要执行,必须保证主线程没挂 因为所有协程任务都是主线在执行 ,必须调用join来等待协程任务 # 理论上等待执行时间最长的任务就行 , 但是不清楚谁的时间长 可以全部join gevent.joinall([g1,g2]) print("over")
4.3 monkey
在运行时对方法 / 类 / 属性 / 功能进行修改,把新的代码作为解决方案代替原有的程序,也就是为其打上补丁
import json def dumps(): print("一个被替换的dump函数") def loads(): print("一个被替换的load函数") def patch_json(): json.dumps = dumps json.loads = loads patch_json()