Python--多线程

      首先，说明一下多线程的应用场景：当python处理多个任务时，这些任务本质是异步的，需要有多个并发事务，各个事务的运行顺序可以是不确定的、随机的、不可预测的。计算密集型的任务可以顺序执行分隔成的多个子任务，也可以用多线程的方式处理。但I/O密集型的任务就不好以单线程方式处理了，如果不用多线程，只能用一个或多个计时器来处理实现。

      下面说一下进程与线程：进程（有时叫重量级进程），是程序的一次执行，正如我们在centos中，ps -aux | grep something 的时候，总有一个他自身产生的进程，也就是这个grep进程，每个进程有自己的地址空间、内存、数据栈、及其他记录其运行轨迹的辅助数据，因此各个进程也不能直接共享信息，只能用进程间通信（IPC）。

      线程（轻量级进程），与进程最大的区别是，所有的线程运行在同一个进程中，共享相同的运行环境，共享同一片数据空间。所以线程之间可以比进程之间更方便的共享数据以及相互通讯，并发执行完成事务。

      为了方便理解记忆进程与线程的关系，我们可以做一个类比：把cpu比作一个搬家公司，而这家搬家公司只有一辆车(进程)来供使用，开始，这家搬家公司很穷，只有一个员工(单线程)，那么，这个搬家公司一天，最多只能搬5家，后来，老板赚到钱了，他没买车，而是多雇了n个员工(多线程)，这样，每个员工会被安排每次只搬一家，然后就去休息，把车让出来，让其他人搬下一家，这看起来其实并没有提高多少效率，反而增加了成本是吧，这是因为GIL(Global Interpreter Lock) 全局解释器锁，保证了线程安全(保证数据被安全读取)，即同时只能有一个线程在CPU上运行，这是python特有的机制，也就是说，即使你的运行环境具有双CPU，python虚拟机也只会使用一个cpu，也就是说GIL 直接导致 CPython 不能利用物理多核的性能加速运算。具体的详细解释(历史遗留问题，硬件发展太快)可以参考这篇博客：

      http://blog.sina.com.cn/s/blog_64ecfc2f0102uzzf.html

      在python核心编程中，作者极力建议我们不要使用thread模块，而是要使用threading模块，原因如下：

   1、当主线程退出时，所有其他线程没有被清除就退出了，thread模块无法保护所有子线程的安全退出。即，thread         模块不支持守护进程。

   2、thread模块的属性有可能会与threading出现冲突。

   3、低级别的thread模块的同步原语很少（实际只有一个，应该是sleep）。

一、thread模块 

 以下是不使用GIL和使用GIL的两个示例代码：

 1.不使用GIL的代码示例：

 

from time import sleep,ctime
import thread

def loop0():
    print 'start loop 0 at: ',ctime()
    sleep(4)
    print 'loop 0 done at: ',ctime()
def loop1():
    print 'start loop 1 at: ',ctime()
    sleep(2)
    print 'loop 1 done at: ',ctime()
def main():
    print 'start at: ',ctime()
    thread.start_new_thread(loop0,())
    thread.start_new_thread(loop1,())
    sleep(6)
    print 'all loop is done, ' ,ctime()

if __name__=='__main__':
    main()

 

输出结果：

start at:  Thu Jan 28 10:46:27 2016
start loop 0 at:   Thu Jan 28 10:46:27 2016

start loop 1 at:   Thu Jan 28 10:46:27 2016
loop 1 done at:  Thu Jan 28 10:46:29 2016
loop 0 done at:  Thu Jan 28 10:46:31 2016
all loop is done,  Thu Jan 28 10:46:33 2016

      由以上输出可以看出，我们成功开启了两个线程，并且与主线程同步，在第2s时，loop1先完成，第4s时loop0完成，又过了2s，主线程完成结束。整个主线程经过了6s，loop0和loop1同步完成。

2、使用GIL的代码示例：

 

import thread
from time import sleep,ctime
loops = [4,2]
def loop(nloop,nsec,lock):
    print 'start loop',nloop,'at: ',ctime()
    sleep(nsec)
    print 'loop',nloop,'done at:',ctime()
    lock.release()
def main():
    print 'starting at:',ctime()
    locks = []
    nloops = range(len(loops))

    for i in nloops:
        lock = thread.allocate_lock()                          #创建锁的列表，存在locks中
        lock.acquire()                         
        locks.append(lock)                                      
    for i in nloops:
        thread.start_new_thread(loop,(i,loops[i],locks[i]))    #创建线程，参数为循环号，睡眠时间，锁
    for i in nloops:
        while locks[i].locked():                              #等待循环完成，解锁
            pass
    print 'all DONE at:',ctime()
if __name__ == '__main__':
    main()

 

以上输出如下：

starting at: Thu Jan 28 14:59:22 2016
start loop  0  at:   Thu Jan 28 14:59:22 2016

start loop  1  at:   Thu Jan 28 14:59:22 2016
loop 1 done at: Thu Jan 28 14:59:24 2016
loop 0 done at: Thu Jan 28 14:59:26 2016
all DONE at: Thu Jan 28 14:59:26 2016

 

历时4秒，这样效率得到提高，也比在主线程中用一个sleep()函数来计时更为合理。

二、threading模块

1、Thread类

在thread类中，可以用以下三种方法来创建线程：

(1)创建一个thread实例，传给它一个函数

(2)创建一个thread实例，传给它一个可调用的类对象

(3)从thread派生出一个子类，创建这个子类的对象

方法(1)

 

__author__ = 'dell'
import threading
from time import sleep,ctime
def loop0():
    print 'start loop 0 at:',ctime()
    sleep(4)
    print 'loop 0 done at:',ctime()
def loop1():
    print 'start loop 1 at:',ctime()
    sleep(2)
    print 'loop 1 done at:',ctime()
def main():
    print 'starting at:',ctime()
    threads = []
    t1 = threading.Thread(target=loop0,args=())          #创建线程
    threads.append(t1)
    t2 = threading.Thread(target=loop1,args=())
    threads.append(t2)
    for t in threads:
        t.setDaemon(True)<span style="white-space:pre">	</span>      #开启守护线程(一定要在start()前调用)
        t.start()<span style="white-space:pre">		</span>      #开始线程执行
    for t in threads:<span style="white-space:pre">					</span>
        t.join()<span style="white-space:pre">		</span>      #将程序挂起阻塞，直到线程结束，如果给出数值，则最多阻塞timeout秒

if __name__ == '__main__':
    main()
    print 'All DONE at:',ctime()

在这里，就不用像thread模块那样要管理那么多锁(分配、获取、释放、检查等)了，同时我也减少了循环的代码，直接自己编号循环了，得到输出如下：

 

starting at: Thu Jan 28 16:38:14 2016
start loop 0 at: Thu Jan 28 16:38:14 2016
start loop 1 at: Thu Jan 28 16:38:14 2016
loop 1 done at: Thu Jan 28 16:38:16 2016
loop 0 done at: Thu Jan 28 16:38:18 2016
All DONE at: Thu Jan 28 16:38:18 2016

结果相同，但是从代码的逻辑来看，要清晰的多了。其他两种在此就不贴出代码了。实例化一个Thread与调用thread.start_new_thread直接最大的区别就是新的线程不会立即开始执行，也就是说，在threading模块的Thread类中当我们实例化之后，再调用.start()函数后被统一执行，这使得我们的程序具有很好的同步特性。

下面是单线程与多线程的一个对比示例，分别以乘除完成两组运算，从而看出多线程对效率的提高

 

from time import ctime,sleep
import threading

def multi():
    num1 = 1
    print 'start mutiple at:',ctime()
    for i in range(1,10):
       num1 = i*num1
       sleep(0.2)
    print 'mutiple finished at:',ctime()
    return num1
def divide():
    num2 = 100
    print 'start division at:',ctime()
    for i in range(1,10):
        num2 = num2/i
        sleep(0.4)
    print 'division finished at:',ctime()
    return num2
def main():
    print '---->single Thread'
    x1 = multi()
    x2 = divide()
    print 'The sum is ',sum([x1,x2]),'\nfinished singe thread',ctime()

    print '----->Multi Thread'
    threads = []
    t1 = threading.Thread(target=multi,args=())
    threads.append(t1)
    t2 = threading.Thread(target=divide,args=())
    threads.append(t2)
    for t in threads:
        t.setDaemon(True)
        t.start()
    for t in threads:
        t.join()

if __name__ == '__main__':
    main()

结果如下：

 

---->single Thread
start mutiple at: Thu Jan 28 21:41:18 2016
mutiple finished at: Thu Jan 28 21:41:20 2016
start division at: Thu Jan 28 21:41:20 2016
division finished at: Thu Jan 28 21:41:24 2016
The sum is  362880 
finished singe thread Thu Jan 28 21:41:24 2016
----->Multi Thread
start mutiple at: Thu Jan 28 21:41:24 2016
start division at: Thu Jan 28 21:41:24 2016
mutiple finished at: Thu Jan 28 21:41:26 2016
division finished at: Thu Jan 28 21:41:27 2016
The sum is : 362880

 

转载于:https://www.cnblogs.com/webber1992/p/5850768.html