多线程对变量同时加的时候 为什么变量会少于加的次数_「原创首发」Python之多线程技术...

简意介绍

线程 (Thread) 是操作系统能够进行运算调度的最小单位。它被包含在进程中，是进程中的实际运作单位。一个进程中可以并发多个线程，每条线程并行执行不同的任务。同一进程中的多个线程共享进程中的全部系统资源。

Python 中的多线程因为全局解释器锁 GIL 的原因限制同一时刻只能由一个线程运行，无法发挥多核 CPU 的优势【当然这是在默认解释器 CPython 中的缺陷，在 JPython 中没有 GIL 的问题，以下基于 CPython 解释器】。所以：GIL 并不是 python 的特性，python 也不依赖于 GIL。说了那么多，那么 python 中的多线程是不是没用了？

答案当然不是。这取决于线程执行的场景是什么？是做计算(计算密集型)还是输入输出(I/O 密集型), 针对不同的场景使用不同的方法。多核心 CPU 可以有多个核心并行完成计算，所以多核提升的是计算性能，但每个 CPU 一旦遇到 I/O 阻塞，仍然需要等待，所以多核对 I/O 密集型任务没有太大的提升，多线程适合处理 I/0 密集型程序，如文件读写，web 请求，数据库请求等。

线程特点

1. 线程执行的顺序是不确定的
2. 主线程【进程】会等待所有子线程结束后才会退出,主线程【进程】结束么子线程必然结束
3. 线程间共享资源
4. 修改资源必要时需要加锁，同时避免死锁
5. 占用的资源比进程少
6. 线程并不是越多越快
7. 由于 GIL 的原因，多线程并不是真正的并发，只是交替执行

线程使用

以下演示使用多线程对一个变量值进行修改，在循环的次数不多时修改后变量的值是符合预期的，当增加循环次数后，变量最终的值并不符合预期。由此可见：线程之间资源是存在竞争的，修改同一份资源必须加互斥锁，同时需要避免死锁。

# coding=utf-8import threading# 定义一个字段。多线程执行+1操作balance = 0def worker1(): global balance for i in range(1000): balance += 1 print('线程1执行完成，balance='+str(balance))def worker2(): global balance for i in range(1000): balance += 1 print('线程2执行完成，balance='+str(balance))def main(): # 构造线程对象 t1 = threading.Thread(target=worker1) t2 = threading.Thread(target=worker2) # 开始执行 t1.start() t2.start() """ 循环次数为1000时，程序输出： 线程1执行完成，balance=1000 线程2执行完成，balance=2000 循环次数为1000000时，程序输出： 线程1执行完成，balance=1180919 线程2执行完成，balance=1179703 """ if __name__ == '__main__': main()

要想解决以下的问题，需要使用线程的锁对象，只需要对 worker1 和 woker2 方法进行修改。

# 创建一个互斥锁，默认是未锁定状态mutex = threading.Lock()def worker1(): global balance for i in range(1000000): mutex.acquire() balance += 1 mutex.release() print('线程1执行完成，balance=' + str(balance))def worker2(): global balance for i in range(1000000): mutex.acquire() balance += 1 mutex.release() print('线程2执行完成，balance=' + str(balance))"""加了互斥锁之后的输出： 线程1执行完成，balance=1941343 线程2执行完成，balance=2000000"""