1、什么是多线程
在一个程序运行过程中,能够在同一时刻运行多个不同的操作。
- 单线程—>串行
- 多线程—>并行
多线程是加速程序计算的有效方式,Python的多线程模块threading上手快速简单,从这节开始我们就教大家如何使用它。
2、添加线程Thread
import threading #导入模块
print(threading.active_count()) # 获取已激活的线程数
print(threading.enumerate()) # 查看所有线程信息
print(threading.current_thread()) # 查看现在正在运行的线程
def thread_job(): # 这个线程要完成的任务
print('This is a thread of %s' % threading.current_thread())
def main():
thread = threading.Thread(target=thread_job,) # 添加线程,接受任务
thread.start() # 线程开始工作
if __name__ == '__main__':
main()
5
[<_MainThread(MainThread, started 18968)>, <Thread(Thread-4, started daemon 6296)>, <Heartbeat(Thread-5, started daemon 5824)>, <HistorySavingThread(IPythonHistorySavingThread, started 16816)>, <ParentPollerWindows(Thread-3, started daemon 6624)>]
<_MainThread(MainThread, started 18968)>
This is a thread of <Thread(Thread-6, started 18268)>
3、join功能
import threading
import time
def thread_job(): # 让 T1 线程工作的耗时增加.
print('T1 start\n')
for i in range(10):
time.sleep(0.1) # 任务间隔0.1s
print('T1 finish\n')
added_thread = threading.Thread(target=thread_job, name='T1')
added_thread.start()
print("all done\n")
T1 start
all done
为什么先输出all done,再输出T1 finish呢?
——使用join控制多个线程的执行顺序
import threading
import time
def thread_job(): # 让 T1 线程工作的耗时增加.
print('T1 start\n')
for i in range(10):
time.sleep(0.1) # 任务间隔0.1s
print('T1 finish\n')
added_thread = threading.Thread(target=thread_job, name='T1')
added_thread.start()
added_thread.join() # 使用join来控制多个线程的执行顺序
print("all done\n")
T1 start
T1 finish
T1 finish
all done
join的重要性
假设我们现在再加一个线程T2,T2的任务量较小,会比T1更快完成:all done的出现完全取决于两个线程的执行速度,有可能finish出现在all done之后。这种杂乱的执行方式是我们不能忍受的,因此要使用join加以控制。
def T1_job():
print("T1 start\n")
for i in range(10):
time.sleep(0.1)
print("T1 finish\n")
def T2_job():
print("T2 start\n")
print("T2 finish\n")
thread_1 = threading.Thread(target=T1_job, name='T1')
thread_2 = threading.Thread(target=T2_job, name='T2')
thread_1.start() # 开启T1
thread_2.start() # 开启T2
print("all done\n")
T1 start
T2 start
T2 finish
all done
- 情况一:在T1启动后,T2启动前加上thread_1.join():T2会等待T1结束后才开始运行,但all done会在T2完成前就出现。
thread_1 = threading.Thread(target=T1_job, name='T1')
thread_2 = threading.Thread(target=T2_job, name='T2')
thread_1.start()
thread_1.join() # notice the difference!
thread_2.start()
print("all done\n")
T1 start
T1 finish
T1 finish
T2 start
all done
T2 finish
- 情况二:T2启动后放上thread_1.join():T2在T1之后启动,并且因为T2任务量小会在T1之前完成;而T1因为加了join,all done在它完成后才显示。
thread_1 = threading.Thread(target=T1_job, name='T1')
thread_2 = threading.Thread(target=T2_job, name='T2')
thread_1.start()
thread_2.start()
thread_1.join() # notice the difference!
print("all done\n")
T1 start
T2 start
T2 finish
T1 finish
all done
- 推荐:
thread_1 = threading.Thread(target=T1_job, name='T1')
thread_2 = threading.Thread(target=T2_job, name='T2')
thread_1.start() # start T1
thread_2.start() # start T2
thread_2.join() # join for T2
thread_1.join() # join for T1
print("all done\n")
T1 start
T2 start
T2 finish
T1 finish
all done
4、储存进程结果 Queue
# 导入线程、队列的标准模块
import threading
import time
from queue import Queue
# 定义一个被多线程调用的函数
# 函数的参数是一个列表l和一个队列q,函数的功能是,对列表的每个元素进行平方计算,将结果保存在队列中
def job(l,q):
for i in range (len(l)):
l[i] = l[i]**2
q.put(l) #多线程调用的函数不能用return返回值!!!
# 定义一个多线程函数
def multithreading():
q =Queue() #q中存放返回值,代替return的返回值
threads = []
data = [[1,2,3],[3,4,5],[4,4,4],[5,5,5]]
# 在多线程函数中定义四个线程,启动线程,将每个线程添加到多线程的列表中
for i in range(4): #定义四个线程
t = threading.Thread(target=job,args=(data[i],q)) #Thread首字母要大写,被调用的job函数没有括号,只是一个索引,参数在后面
t.start() # 开始线程
threads.append(t) #把每个线程append到线程列表中
for thread in threads: # 分别join四个线程到主线程
thread.join()
results = [] # 定义一个空的列表results,将四个线运行后保存在队列中的结果返回给空列表results
for _ in range(4):
results.append(q.get()) #q.get()按顺序从q中拿出一个值
print(results)
if __name__ == '__main__':
multithreading()
[[1, 4, 9], [9, 16, 25], [16, 16, 16], [25, 25, 25]]
5、不一定有效率
这次我们来看看为什么说 python 的多线程 threading 有时候并不是特别理想. 最主要的原因是就是, Python 的设计上, 有一个必要的环节, 就是 Global Interpreter Lock (GIL). 这个东西让 Python 还是一次性只能处理一个东西.
-
关于GIL
-
尽管Python完全支持多线程编程, 但是解释器的C语言实现部分在完全并行执行时并不是线程安全的。 实际上,解释器被一个全局解释器锁保护着,它确保任何时候都只有一个Python线程执行。 GIL最大的问题就是Python的多线程程序并不能利用多核CPU的优势 (比如一个使用了多个线程的计算密集型程序只会在一个单CPU上面运行)。
-
在讨论普通的GIL之前,有一点要强调的是GIL只会影响到那些严重依赖CPU的程序(比如计算型的)。 如果你的程序大部分只会涉及到I/O,比如网络交互,那么使用多线程就很合适, 因为它们大部分时间都在等待。实际上,你完全可以放心的创建几千个Python线程, 现代操作系统运行这么多线程没有任何压力,没啥可担心的。
-
-
测试GIL
import threading
from queue import Queue
import copy
import time
def job(l, q):
res = sum(l)
q.put(res)
def multithreading(l):
q = Queue()
threads = []
for i in range(4):
t = threading.Thread(target=job, args=(copy.copy(l), q), name='T%i' % i)
t.start()
threads.append(t)
[t.join() for t in threads]
total = 0
for _ in range(4):
total += q.get()
print(total)
def normal(l):
total = sum(l)
print(total)
if __name__ == '__main__':
l = list(range(1000000))
s_t = time.time()
normal(l*4)
print('normal: ',time.time()-s_t)
s_t = time.time()
multithreading(l)
print('multithreading: ', time.time()-s_t)
1999998000000
normal: 0.17253494262695312
1999998000000
multithreading: 0.1625659465789795
threading 却没有快多少, 按理来说, 我们预期会要快3-4倍, 因为有建立4个线程, 但是并没有. 这就是其中的 GIL 在作怪.
6、线程锁Lock
import threading
# 函数一:全局变量A的值每次加1,循环10次,并打印
def job1():
global A
for i in range(10):
A+=1
print('job1',A)
# 函数二:全局变量A的值每次加10,循环10次,并打印
def job2():
global A
for i in range(10):
A+=10
print('job2',A)
# 主函数:定义两个线程,分别执行函数一和函数二
if __name__== '__main__':
A=0
t1=threading.Thread(target=job1)
t2=threading.Thread(target=job2)
t1.start()
t2.start()
t1.join()
t2.join()
job1 1
job1 2
job1 3
job1 4
job1 5
job1 6
job1 7
job1 8
job1 9
job1 job2 20
job210
30
job2 40
job2 50
job2 60
job2 70
job2 80
job2 90
job2 100
job2 110
打印的非常混乱,加个Lock试试
Lock在不同线程使用同一共享内存时,能够确保线程之间互不影响,使用lock的方法是, 在每个线程执行运算修改共享内存之前,执行lock.acquire()将共享内存上锁, 确保当前线程执行时,内存不会被其他线程访问,执行运算完毕后,使用lock.release()将锁打开, 保证其他的线程可以使用该共享内存。
def job1():
global A,lock
lock.acquire() # !!!
for i in range(10):
A+=1
print('job1',A)
lock.release() # !!!
def job2():
global A,lock
lock.acquire() # !!!
for i in range(10):
A+=10
print('job2',A)
lock.release() # !!!
if __name__== '__main__':
lock=threading.Lock() # !!!
A=0
t1=threading.Thread(target=job1)
t2=threading.Thread(target=job2)
t1.start()
t2.start()
t1.join()
t2.join()
job1 1
job1 2
job1 3
job1 4
job1 5
job1 6
job1 7
job1 8
job1 9
job1 10
job2 20
job2 30
job2 40
job2 50
job2 60
job2 70
job2 80
job2 90
job2 100
job2 110
使用lock后,一个一个线程执行完。