并发编程是我们编程中常用的优化程序性能的手段,能提高CPU的使用率。一般使用是多线程,多进程,协程
一、python的全局解释锁GIL
我们目前跑的python程序大多数都是在cpython上运行的。cpython是有一个全局解释锁,具体什么意思,可以两个方面理解
在同一时刻,只能运行一个线程
无法将多个线程映射到多个cpu上运行
也就是说python多线程是有一定局限性的,对于io密集型的任务,我们可以很好的利用多线程,对于计算密集型的任务,多线程就没有意义了,只能利用多进程提高性能
二、简单多线程编程
第一种形式:使用threading库,直接使用Thread类
fromthreading import Thread
import time
def fun(n):
#dosomething
time.sleep(n)
print(n)
t1= Thread(target=fun, args=(1,))
t2= Thread(target=fun, args=(2,))
# 启动线程
t1.start()
t2.start()
# 等待线程结束
t1.join()
t2.join()
第二种形式:使用threading库,继承Thread类
fromthreading import Thread
import timeclassMyThread(Thread):
def __init__(self, n):
self.n=n
super().__init__()
def run(self):
time.sleep(self.n)
print(self.n)
t1= MyThread(1)
t2= MyThread(2)
t1.start()
t2.start()
t1.join()
t2.join()
三、线程安全
多个线程在同一个进程中运行时,是共享内存空间的,这就有可能引起一个线程在修改一个变量到一半的时候去休息了,回来的时候发现这个变量变了,这就会产生问题
如何保证线程安全,一般有下面几个方法
使用私有变量,每个线程都只知道自己的变量,其他线程无法修改,一般通过局部变量实现
通过拷贝数据到自己的空间,自己修改自己拷贝的数据,这样不会影响其他线程,一般通过thread.local实现
控制共享变量的访问方式,同一时刻只能有一个线程修改,一般通过加锁实现
还有一些其他方法保证线程安全,不同的场景,保证线程安全的方法也不同,需要合理采用。下面用代码说明一下
首先,我们不加锁,有两个线程共同操作一个共享变量
# 没有使用锁的情况fromthreading import Thread
n= 0def add():globalnfor i in range(1000000):
n+= 1def sub():globalnfor i in range(1000000):
n-= 1t1= Thread(target=add)
t2= Thread(target=sub)
t1.start()
t2.start()
t1.join()
t2.join()
print(n)
输出的结果,发现不是我们想象中的0,这就是因为两个线程运行期间,一个线程把 对n的操作执行到一半时候,去休息了,回来继续执行剩下一半的过程中,另一个线程修改了n,这样就造成了线程不安全的问题,最后的结果不一致。
加锁后的代码
fromthreading import Thread, Lock
n= 0
lock =Lock()
def add(lock):globalnfor i in range(1000000):lock.acquire()
n+= 1
lock.release()
def sub(lock):globalnfor i in range(1000000):lock.acquire()
n-= 1
lock.release()
t1= Thread(target=add, args=(lock,))
t2= Thread(target=sub, args=(lock,))
t1.start()
t2.start()
t1.join()
t2.join()
print(n)
这次输出的结果都是0了,我们在整个修改共享变量的过程中,加了锁,在锁未释放的时候,其他线程是运行不了的
四、线程间通信
上面我们知道存在线程安全的问题,所以通信的过程中,我们要考虑线程安全的问题
线程间通信最常用的是队列,python提供了一个线程安全的队列,from queue import Queue,在多个线程之间操作队列里的元素都是安全的
还有更加复杂的线程通信机制,比如条件变量,信号量等,python也提供了相应的模块
五、线程池
有时候,我们有很多条数据,我们希望同一时刻总共有5个线程来处理这一批数据,一个线程结束后,再启动另一个线程,总数不能超过5个,这时候线程池就可以很好的解决我们的问题了
fromconcurrent.futures.thread import ThreadPoolExecutorfromconcurrent.futures import wait
import time
pools= ThreadPoolExecutor(5)
data= list(range(20))
res=[]
def fun(n):
time.sleep(2)
print(n)returnnfor n indata:
res.append(pools.submit(fun, n))
# 等待所有线程执行完毕
wait(res)
线程池还给我们提供了更多的功能,我们可以获取线程返回的结果
fromconcurrent.futures.thread import ThreadPoolExecutorfromconcurrent.futures import as_completed
import time
pools= ThreadPoolExecutor(5)
data= list(range(20))
res=[]
def fun(n):
time.sleep(2)returnnfor n indata:
res.append(pools.submit(fun, n))
# 获取线程结束后的结果for r inas_completed(res):
print(r.result())
六、多进程编程
关于python多进程,在大多数业务开发中,用的比较少,我只给出一个简单的例子(实际上进程在运行的时候比这个负责,是会拷贝一份父进程的信息的)
frommultiprocessing import Process
import time
def fun(n):
#dosomething
time.sleep(n)
print(n)if __name__ == "__main__":
p1= Process(target=fun, args=(1,))
p2= Process(target=fun, args=(2,))
p1.start()
p2.start()
p1.join()
p2.join()
七、总结
并发编程是我们提高程序性能的常用手段,一般来说就是多线程,多进程,协程,并发编程的时候,我们还有许多问题需要考虑,线程安全,通信等等。