守护进程：
注意事项：
1.必须在p.start()前
2.守护进程不能开子进程
3.如果主进程的运行时间快于子进程，那么就只有主进程的结果，没有守护进程的结果，因为守护进程没有进行完。反之会得到两个结果。
from multiprocessing import Process import os,time def task(): print("%s is runing"%os.getpid()) time.sleep() print("%s is done"%os.getpid()) if __name__ == '__main__': p=Process(target=task) p.daemon =True p.start() print("主")
结果：
主
守护线程
所谓守护 线程，是指在程序运行的时候在后台提供一种通用服务的线程，比如垃圾回收线程就是一个很称职的守护者，并且这种线程并不属于程序中不可或缺的部分。因此，当所有的非守护线程结束时，程序也就终止了，同时会杀死进程中的所有守护线程。反过来说，只要任何非守护线程还在运行，程序就不会终止。
from threading import Thread import time ,os,random def task(args): print("%s is runnning%s"%(args,os.getpid())) time.sleep(random.randint(1,3)) print("%s is done %s"%(args,os.getpid())) if __name__ == '__main__': t1=Thread(target=task,args=("t1",)) t2=Thread(target=task,args=("t2",)) t1.daemon=True t1.start() t2.start() print("主")
结果：
t1 is runnning48492 t2 is runnning48492 主 t2 is done 48492 t1 is done 48492
互斥锁：当一个全局的共有资源，被多个线程同时进行调用会发生到意想不到的效果。比如我在使用打印机打印文件，还没有打完，这时别人也在用打印机打印，如果不加控制，打印的东西肯定是错乱乱的。
进程互斥锁.
互斥锁的本质都一样，都是将并发运行变成串行，以此来控制同一时间内共享数据只能被一个任务所修改，进而保证数据安全。
范例一不加互斥锁的情况下：
from multiprocessing import Process,Lock#互斥锁 import os,time def task(): print("%s print 1"%os.getpid()) time.sleep(3) print("%s print 2"%(os.getpid())) print("%s print 3"%(os.getpid())) if __name__ == '__main__': p1=Process(target=task) p2=Process(target=task) p3=Process(target=task) p1.start() p2.start() p3.start()
结果：
26248 print 1 49232 print 1 49380 print 1 26248 print 2 26248 print 3 49232 print 2 49232 print 3 49380 print 2 49380 print 3
范例二：加互斥锁的情况：
from multiprocessing import Process,Lock#互斥锁 import os,time def task(mutex): mutex.acquire() print("%s print 1"%os.getpid()) time.sleep(3) print("%s print 2"%(os.getpid())) print("%s print 3"%(os.getpid())) mutex.release() if __name__ == '__main__': mutex=Lock() p1=Process(target=task,args=(mutex,)) p2=Process(target=task,args=(mutex,)) p3=Process(target=task,args=(mutex,)) p1.start() p2.start() p3.start()
结果：
6664 print 1#是不是这样显得很整洁，一个进程抢到后，直到执行完别的进程才能抢到
6664 print 2 6664 print 3 52764 print 1 52764 print 2 52764 print 3 33084 print 1 33084 print 2 33084 print 3
线程互斥锁，主要是保护数据安全，可以使子线程不可修改全局变量
范例要求，开启100个进程，然后每个进程减一，最后n的结果为0.
不加互斥锁 from threading import Thread,Lock import time n=100 def task(): global n temp=n time.sleep(0.1) n=temp-1 if __name__ == '__main__': t_1=[] for i in range(10): t=Thread(target=task,args=()) t_1.append(t) t.start() for t in t_1: t.join() print(n)
结果：
99
加互斥锁：
from threading import Thread,Lock import time n=100 def task(mutex): global n with mutex: #替代mutex。acquire 和mutex.release temp=n time.sleep(0.1) n=temp-1 if __name__ == '__main__': mutex=Lock() t_1=[] for i in range(10): t=Thread(target=task,args=(mutex,)) t_1.append(t) t.start() for t in t_1: t.join()
print(n)
结果：
90
范例：要求设计一个旅客买票系统，多个人可以显示剩余票数，但当一个人抢票成功后，票务系统里会自动减一，假设有一张票，一个人抢到后，别人都抢不到了。
from multiprocessing import Process ,Lock import time,os,random,json def search(): with open("db1",encoding="utf-8") as read_f: dic=json.load(read_f) print("%s 还剩%s票"%(os.getpid(),dic["count"])) def get(): with open("db1",encoding="utf-8") as read_f: dic=json.load(read_f) if dic["count"]>0: dic["count"]-=1 time.sleep(random.randint(1,3)) with open("db1","w",encoding="utf-8") as write_f: json.dump(dic,write_f) print("%s抢票成功"%os.getpid()) def task(mutex): search() with mutex: get() if __name__ == '__main__': mutex=Lock() for i in range(10): p=Process(target=task,args=(mutex,)) p.start()
结果：
66892 还剩1票 6808 还剩1票 46144 还剩1票 27152 还剩1票 35884 还剩1票 47308 还剩1票 15256 还剩1票 44636 还剩1票 48744 还剩1票 62000 还剩1票 66892抢票成功
信号量： 为了防止出现因多个程序同时访问一个共享资源而引发的一系列问题，我们需要一种方法，它可以通过生成并使用令牌来授权，在任一时刻只能有一个执行线程访问 代码的临界区域。临界区域是指执行数据更新的代码需要独占式地执行。而信号量就可以提供这样的一种访问机制，让一个临界区同一时间只有一个线程在访问它， 也就是说信号量是用来调协进程对共享资源的访问的。其中共享内存的使用就要用到信号量。
进程池和信号量的区别：进程池至始至终只有4个人干活，而信号量开始分成100个进程，这100个进程去抢4个锁，至始至终有100个人干活。（面试中会用到）
信号量和互斥锁的区别：互斥锁同一时间只能有一个人抢到锁，信号了在同一时间有多个人抢到所。
from multiprocessing import Process,Semaphore import time,random,os def task(sm): with sm: print("%s 上厕所"%os.getpid()) time.sleep(random.randint(1,3)) if __name__ == '__main__': sm=Semaphore(3) for i in range(10): p=Process(target=task,args=(sm,)) p.start()
进程之间通信
可以通过文件操作来实现确定速度慢，数据不安全，用硬盘资源
必须找到一种好的机制避免这几种缺点：IPC实现进程之间通过共享内存实现进程之间通信。具体的实现方式有两种：管道和队列
队列（先进先出）是基于管道加锁实现的。（以后用队列，管道自己要亲自加锁）
from multiprocessing import Queue #进程队列 import queue #线程队列 q=Queue() #受限于内存大小 q.put() q.get() #堆栈(后进先出） queue.LifoQueue #优先级队列(按照优先级出来） q=queue.PriorityQueue(3) q.put((10),"ddddd")#数字越小优先级越高 q.put((8),"dd")#数字越小优先级越高
生产者和消费者模型
生产者消费者模型：一类负责造数据，一类负责处理数据，
为什么要用生产者消费者模型？
可以实现程序的解耦，生产者不直接接触消费者。而是与队列打交道，可以一直的生产
两个线程下的生产者和消费者
from multiprocessing import Queue,Process import time,random def procducer(q): for i in range(10): res='包子%s'%i print('已经造好%s'%(res)) time.sleep(random.randint(1,2)) q.put(res) def consumer(q): while True: res = q.get() if res is None: #当队列中取出是NOne时,结束循环 break print('吃%s'%res) time.sleep(random.randint(1,3)) if __name__ == '__main__': q=Queue() p=Process(target=procducer,args=(q,)) c=Process(target=consumer,args=(q,)) p.start() c.start() p.join() #保证生产者生产完 q.put(None) #把none放入队列是为了让消费者结束程序 print('主进程')
结果:
已经造好包子0
已经造好包子1
吃包子0
已经造好包子2
吃包子1
已经造好包子3
已经造好包子4
吃包子2
已经造好包子5
已经造好包子6
吃包子3
已经造好包子7
吃包子4
已经造好包子8
已经造好包子9
吃包子5
主进程
吃包子6
吃包子7
吃包子8
吃包子9
但是在现实生产中我们不会用这种方式来实现生产者消费者模型而是用rabbitMQ软件来实现这个功能 所以这部分只是了解一下 点击进入RabbitMQ
GIL锁:全局解释器锁（重点*********）
GIL锁是作用于多线程:
在Cpython解释器中，同一个进程下开启的多线程，由于有GIL的存在,同一时刻只能有一个线程执行，即使有多核也无法利用多核优势，无法并行（多核仅仅是对于计算性能的提升，对于IO阻塞不起作用）
首先需要明确的一点是GIL并不是Python的特性，python并没有GIL的锁。它是在实现Python解析器(CPython)时所引入的一个概念
GIL本质就是一把互斥锁，既然是互斥锁，所有互斥锁的本质都一样，都是将并发运行变成串行，以此来控制同一时间内共享数据只能被一个任务所修改，进而保证数据安全。
为什么要有这把锁的存在呢? 因为Cpython解释中的垃圾回收机制不是线程安全的,如果没有了GIL锁,多线程利用了多个优势实现了并行,那么垃圾回收线程就会随随便便的清空你想要引用的内存空间,GIL锁并不是保护你的数据而是保护的是垃圾回收线程的数据.
多核就是为了实现并行,既然cpython解释器同一时间只能只能有一个线程执行,那么多线程就没有就无法发挥多核优势了,这不就说明,Cpython的多线程没有用了.
但是我们要知道 计算机的任务分为两种:
- 计算密集型任务:要进行大量的计算消耗CPU资源,比如计算圆周率、对视频进行高清解码等等，全靠CPU的运算能力。这种计算密集型任务虽然也可以用多任务完成，但是任务越多，花在任务切换的时间就越多，CPU执行任务的效率就越低，所以，要最高效地利用CPU，计算密集型任务同时进行的数量应当等于CPU的核心数. 比如socket,爬虫,web
- io密集型任务:我们的web开发，io的时间99%的时间都花在请求网络，从数据库上搜索数据上,即使你使用多核进行并行，也只能快那么一点点，况且多核之间的切换还需要花时间。这时候你的多核优势就无法发挥出优势了,比如数据分析，
GIL什么时候会释放呢？
1.时间片的释放，即指定时间释放。在某个线程运行到一段时间后，它就会释放该GIL锁，让其他线程运行
from threading import Thread total = 0 def add(): global total for i in range(1000000): total += 1 def cut(): global total for i in range(1000000): total -= 1 if __name__ == '__main__': add_th = Thread(target=add) cut_th = Thread(target=cut) add_th.start() cut_th.start() add_th.join() cut_th.join() print(total)
结果：
850531
我们可以看到每次执行结果都是不一样的，这说明，GIL是按照时间片来释放的，并不是真正的串行，如果是真正的串行的话，最后total的结果就是0
2.遇到io就会切换，即当该线程遇到io时就会释放GIL
from threading import Thread import time total = 0 def add(): global total time.sleep(3) total = total + 50 print('add_total',total) def cut(): global total total = total + 100 print('total',total) if __name__ == '__main__': add_th = Thread(target=add) cut_th = Thread(target=cut) add_th.start() cut_th.start() add_th.join() cut_th.join() print(total)
结果：
total 100
add_total 150
150
你会发现，cut先打印出结果，这说明GIL遇到io释放了，被cut获得了，就先执行cut的
结论:在python中要用多核优势开启多进程,
- 当你的代码中计算密集型任务多时,使用多进程比使用多线程效率高,多线程在这时候就是鸡肋.
- 当你的代码中io密集型任务多时,使用多线程比多进程效率高.
我们现在写的程序都是i/0密集型的因为要走网路io,所以说Cpython的多线程是有用
GIL锁和互斥锁
机智的同学可能会问到这个问题，就是既然你之前说过了，Python已经有一个GIL来保证同一时间只能有一个线程来执行了，为什么这里还需要lock?
首先我们需要达成共识：锁的目的是为了保护共享的数据，同一时间只能有一个线程来修改共享的数据
然后，我们可以得出结论：保护不同的数据就应该加不同的锁。
最后，问题就很明朗了，GIL 与Lock是两把锁，保护的数据不一样，前者是解释器级别的（当然保护的就是解释器级别的数据，比如垃圾回收的数据），后者是保护用户自己开发的应用程序的数据，很明显GIL不负责这件事，只能用户自定义加锁处理，即Lock
791
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
