python编程技巧之python多任务并发,并行与线程介绍与使用(详细版!!!)

并行与并发介绍

       •并发两个或多个事件在同一时间间隔内发生,这些事件在宏观上是同时发生的,在微观上是交替发生的, 操作系统的并发性指系统中同时存在着多个运行的程序
       •并行两个或多个事件在同一时刻发生
       •一个单核(CPU)同一时刻只能执行一个程序,因此操作系统会协调多个程序使它们交替进行(这些程序在宏观上是同时发生的,在微观上是交替进行的(并发)),单核系统同时执行多个程序一定是具有并发性的

多任务的介绍

       •简单地说,就是操作系统可以同时执行多个任务,生活中有很多的场景中的事情就是同时进行的,比如开车的时候手和脚共同来驾驶汽车,再比如吃饭时手和嘴巴是同时进行的

程序代码模拟多任务:

import time


def study():
    for i in range(3):
        print('学习第{}次'.format(i))
        time.sleep(1)


def book():
    for j in range(3):
        print('看书第{}次'.format(j))
        time.sleep(1)


if __name__ == '__main__':
    study()
    book()

运行结果:

在这里插入图片描述
       •由上图得:两个函数是按照先后顺序执行的,不能实现同时执行,此时需要多任务,可以使多个任务同时进行,提高效率
       •图解多任务:
在这里插入图片描述

       •上述的实际情况是四个应用程序是可同时执行的,但是多个应用“同时”运行时,并不是真正地同时运行,而是按照时间片轮转的原理进行的(并行执行)

多任务简单实现

       •并发:
        假的多任务,CPU数小于当前执行的任务数
       •并行:
        真的多任务,CPU数大于等于当前执行的任务数
程序实现:

import threading
import time


def demo():
    print('Hello World')
    time.sleep(1)


def main():
    for i in range(5):
        t = threading.Thread(target=demo)
        t.start()


if __name__ == '__main__':
    main()

运行结果:
在这里插入图片描述
       •main()函数中为主线程,demo()函数为子线程;target参数是需要执行的任务,即为(demo()函数)
与上一段代码结合修改:

import threading
import time


def study():
    for i in range(3):
        print('学习第{}次'.format(i))
        time.sleep(1)


def book():
    for j in range(3):
        print('看书第{}次'.format(j))
        time.sleep(1)


if __name__ == '__main__':
    t1 = threading.Thread(target=study) #是study 不是study()
    t2 = threading.Thread(target=book)  #是book  不是book()
    t1.start()
    t2.start()

运行结果:
在这里插入图片描述
       •由显示结果可得,study()和book()两个函数是同时执行的,此即为多任务,在代码中,t1和t2两个线程是同时执行、不分先后顺序的
       •子线程结束之后主线程才会结束,代码验证:

import threading
import time


def demo():
    for i in range(5):
        print('Hello World')
        time.sleep(1)


def main():
    t = threading.Thread(target=demo)
    t.start()
    print('主线程')


if __name__ == '__main__':
    main()

运行结果:
在这里插入图片描述
       •要想主线程执行结束后直接结束程序运行,可增加守护线程
       •守护线程:setDaemon(True)
代码如下:

import threading
import time


def demo():
    for i in range(5):
        print('Hello World')
        time.sleep(1)


def main():
    t = threading.Thread(target=demo)
    # 守护线程
    t.setDaemon(True)
    t.start()
    print('主线程')


if __name__ == '__main__':
    main()

运行结果:
在这里插入图片描述
       •上图可看出,只打印了一次Hello World,主线程并没有等待子线程执行结束再结束,而是直接执行结束,所以守护线程不会等子线程结束,而是直接结束

       •改进程序,使子线程结束之后主线程再继续运行:

import threading
import time


def demo():
    for i in range(5):
        print('Hello World')
        time.sleep(1)


def main():
    t = threading.Thread(target=demo)
    t.start()
    # 等待子线程执行结束,主线程继续向下运行
    t.join()
    print('主线程')


if __name__ == '__main__':
    main()

运行结果:
在这里插入图片描述

       •由上图可以看出主线程等待子线程打印完全部Hello World之后才打印主线程

       •并且,子线程还可以创建子线程
代码测试:

import threading
import time


def demo():
    for i in range(5):
        print('Hello World')
        time.sleep(1)
        t2 = threading.Thread(target=demo1)
        t2.start()


def demo1():
    print('我是子线程的创建的子线程')


def main():
    t = threading.Thread(target=demo)
    t.start()
    # 等待子线程执行结束,主线程继续向下运行
    t.join()
    print('主线程')


if __name__ == '__main__':
    main()

运行结果:
在这里插入图片描述

       •可以看出,子线程的子线程也能正常运行,并且穿插在子线程的运行过程中运行

查看线程数量

       •在python的基础函数中,enumerate()函数可以为列表自动创建索引:
代码测试:

list1 = ['y', 'c', 'x']
for i, item in enumerate(list1):
    print(i, item)

运行结果:
在这里插入图片描述
       •在多任务中,enumerate()函数可以查看当前线程的数量:
代码测试:

import threading


def demo1():
    for i in range(5):
        print('--demo1-- {}'.format(i))


def demo2():
    for i in range(5):
        print('--demo2-- {}'.format(i))


def main():
    t1 = threading.Thread(target=demo1)
    t2 = threading.Thread(target=demo2)
    t1.start()
    t2.start()
    # 获取当前程序所有的线程
    print(threading.enumerate())


if __name__ == '__main__':
    main()

运行结果:

在这里插入图片描述
       •从图中可以看出有两个线程:主线程和线程2

       •多次运行,结果都是不同的,如下运行图示:
在这里插入图片描述
       •图示中只有一个主线程

验证子线程的创建与执行

       •当调用Thread时,是不会创建线程
       •当调用Thread创建出来的实例对象的start()方法的时候,才会创建线程以及开始运行这个线程
代码测试:

import threading


def demo():
    for i in range(5):
        print('Hello World')


def main():
    print(threading.enumerate())
    t1 = threading.Thread(target=demo)
    print(threading.enumerate())
    t1.start()
    print(threading.enumerate())


if __name__ == '__main__':
    main()

运行结果:
在这里插入图片描述

       •由上图可得,在调用Thread时不会创建子线程,只有在调用start()方法后才会创建线程并执行

  • 2
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 回答1: Python多线程并发是指在一个进程中同时运行多个线程,以提高程序的执行效率和响应速度。Python中的多线程是基于操作系统的线程实现的,一个Python线程会对应一个操作系统线程Python提供了多个模块来支持多线程编程,其中最常用的是`threading`模块。 使用`threading`模块创建一个线程非常简单,只需要定义一个函数作为线程的执行体,然后创建一个`Thread`对象并调用它的`start()`方法即可。下面是一个简单的示例代码: ```python import threading def worker(): print('Worker thread is running') t = threading.Thread(target=worker) t.start() ``` 这个程序创建了一个名为`worker`的函数作为线程的执行体,然后创建了一个`Thread`对象`t`,并调用了`t.start()`方法启动线程。当线程启动后,它会自动调用`worker`函数执行线程任务。 除了`Thread`类之外,Python还提供了一些同步原语,如`Lock`、`Event`、`Condition`等,可以用来协调多个线程之间的操作。使用这些同步原语可以避免多个线程同时访问共享资源导致的竞态条件和数据不一致等问题。 在使用多线程时,需要注意线程安全问题。多个线程同时对同一个共享变量进行读写操作时,可能会产生数据不一致、竞态条件等问题。为了避免这些问题,可以使用一些同步机制来保护共享变量的访问,如使用`Lock`来保证同一时刻只有一个线程能够访问共享变量。 ### 回答2: Python多线程并发是指在Python程序中使用多个线程同时执行任务的一种方式。在传统的单线程程序中,任务是顺序执行的,即一个任务执行完毕后,才能执行下一个任务。而在多线程并发中,多个任务可以同时执行,不需要等待前一个任务执行完毕才能执行下一个任务。 Python多线程并发是通过threading模块来实现的。通过创建多个线程对象,每个线程对象执行一个任务,可以实现多线程并发多线程并发可以提高程序的执行效率,尤其在处理一些耗时任务时,多线程可以同时执行多个任务,节省了等待时间。 然而,Python多线程并发也存在一些限制。由于Python的全局解释锁(GIL)机制,每个线程在执行时只能使用一个核心,无法充分利用多核处理器的优势。这就意味着,对于计算密集型的任务,多线程并发可能并不能提高速度。但是对于I/O密集型的任务,如文件读写、网络通信等,多线程并发可以显著提高程序的性能。 在编写多线程并发的程序时,需要注意线程之间的同步问题。多个线程可能会同时访问共享的资源,如果没有正确地进行同步,会引发线程安全问题,如数据竞争、死锁等。在Python中,可以使用锁、条件变量等同步工具来解决这些问题。 总之,多线程并发是一种提高程序性能的方法,可以实现多任务同时执行。但要注意线程安全性和GIL的限制,选择合适的情况下使用多线程并发。 ### 回答3: Python多线程并发是指在同一时间内,程序中多个线程能够同时运行并执行不同的任务。Python提供了多线程的库,如`threading`,可以通过创建多个线程来实现并发执行。 使用多线程并发有以下几个优点: 1. 提高程序的效率:多线程允许多个任务同时执行,可以充分利用多核处理器的计算能力,以提高程序的效率和响应速度。 2. 提高资源利用率:多线程并发可以有效地利用CPU资源,使其不再空闲,避免因为等待IO操作而浪费时间。 3. 改善用户体验:多线程能够将一些耗时的任务放到后台执行,以提供更好的用户体验,如在图形界面应用中,通过多线程进行网络请求,可以避免阻塞主界面。 4. 实现复杂性:多线程并发可以更容易地实现一些复杂的逻辑,如同时处理多个网络请求、同时获取多个数据源等。 但是,Python中的多线程并发有一些需要注意的地方: 1. 全局解释器锁(GIL):由于GIL的存在,Python中的多线程并不能实现真正的并行执行,因为在同一时间只有一个线程可以执行Python字节码。因此,对于需要CPU密集型的任务,多线程并发并不能显著提升性能。 2. 线程安全问题:多线程并发时,多个线程同时访问共享资源可能引发数据竞争和线程安全问题,需要通过锁(Lock)或其他同步机制来解决。 总的来说,Python多线程并发在处理IO密集型任务、提高用户体验和利用多核处理器等方面具有优势,但对于CPU密集型任务需要考虑全局解释器锁的影响。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值