python 中的 GIL
GIL：全局解释器锁 (global interpreter lock (cpython下))
python中一个线程对应于c语言中的一个线程，GIL使得同一时刻只有一个线程在一个CPU上执行字节码，无法将多个线程映射到多个CPU上执行
并不是多线程在GIL下，我们的数据就是安全的了因为线程中的数据是共享的，一个线程不是从执行开始到结束一致占有GIL，它会在执行的过程中释放，另一个线程获得锁执行。
gil会根据执行的字节码行数以及时间片释放gil，gil在遇到io的操作时候主动释放
total = 0
def add():
global total
for i in range(1000000):
total += 1
def desc():
global total
for i in range(1000000):
total -= 1
import threading
thread1 = threading.Thread(target=add)
thread2 = threading.Thread(target=desc)
thread1.start()
thread2.start()
thread1.join()
thread2.join()
print(total)
按理说，最后的结果应该是0，但是多次运行程序得到的值不是0，且每次都是不一样的，证明并非add函数执行完后，才会执行desc函数，也就是在函数add执行期间释放了GIL，去执行了desc函数，往复执行
一个小例子用字节码来解释为什么上面结果不为0
import dis
def add(a):
a += 1
def desc(a):
a -= 1
print(dis.dis(add))
print(dis.dis(desc))
输出结果如下
add函数字节码前4步， desc类似
1 load a
2 load 1
3 +操作
4 赋值给a
add的字节码和desc的字节码是并行执行的，且全局变量是共用的，所以两个线程的加法和减法操作使的变量a一直变化。GIL释放的时候可能是得到add的结果，也可能是得到desc的结果. 最终的返回值是在两个值间摇摆的
多线程编程 - threading
对于io操作来说，多线程和多进程性能差别不大
通过thread模块实现多线程编程
import time
import threading
def eat(x):
print("start eat")
time.sleep(2)
print("end eat")
def drink(x):
print("start drink")
time.sleep(2)
print("end drink")
if __name__ == "__main__":
thread1 = threading.Thread(target=eat, args=("",))
thread2 = threading.Thread(target=drink, args=("",))
start_time = time.time()
thread1.start() # 启动线程
thread2.start()
print("last time: {}".format(time.time() - start_time))
输出结果如下
说明：
1 结果显示持续时间不是2，而是接近于0，原因是程序运行print语句是主线程执行的，它和自定义的2个线程是并行的，不需要等待自定义的2个线程结束后才开始执行
2 主线程的print语句执行结束后，会接着执行thread1, thread2，2秒后打印出"end drink", "end eat";
如果想print语句结束后，即子线程页强制退出，可以把子线程变成守护线程
thread1.setDaemon(True)
thread2.setDaemon(True)
如果想等子线程执行完，再执行主线程
thread1.join()
thread2.join()
通过继承Thread来实现多线程
import time
import threading
class GetDetailHtml(threading.Thread):
def __init__(self, name): # 自定义线程的名字
super().__init__(name=name)
def run(self):
print("get detail html started")
time.sleep(2)
print("get detail html end")
class GetDetailUrl(threading.Thread):
def __init__(self, name): # 自定义线程的名字
super().__init__(name=name)
def run(self):
print("get detail url started")
time.sleep(4)
print("get detail url end")
if __name__ == "__main__":
thread1 = GetDetailHtml("get_detail_html")
thread2 = GetDetailUrl("get_detail_url")
start_time = time.time()
thread1.start()
thread2.start()
thread1.join()
thread2.join()
#当主线程退出的时候， 子线程kill掉
print ("last time: {}".format(time.time()-start_time))
输出结果如下
线程间通信 - 共享变量和 Queue
(1)共享全局变量(不安全一般不用)
线程不安全，不同线程中可能会影响变量值，需要添加锁
import time
import threading
detail_url_list=[]
def get_detail_html():
# 爬取文章详情页whileTrue:iflen(detail_url_list):
url=detail_url_list.pop()
print("get detail html started")
time.sleep(2)
print("get detail html end")else:
time.sleep(0.2)
def get_detail_url():
# 爬取文章列表页，然后交给详情页
print("get detail url started")
time.sleep(4)for i in range(20):
detail_url_list.append("http://projectsedu.com/{id}".format(id=i))
print("get detail url end")if __name__ == "__main__":
thread_detail_url= threading.Thread(target=get_detail_url)
thread_detail_url.start()for i in range(3):
html_thread= threading.Thread(target=get_detail_html)
html_thread.start()
start_time=time.time()
print("last time: {}".format(time.time() - start_time))
输出结果
(2)使用queue的方式进行线程间同步(队列是线程安全的)
Queue类的几个函数介绍
full()：判断队列是否已满
qsize(): 返回队列大小
empty(): 判断队列是否为空
join(): 使队列处于阻塞状态，只有接收到task_done()时，join()函数才会退出。所以这两个函数是成对出现的
from queue import Queue
import time
import threading
def get_detail_html(queue):
# 爬取文章详情页
while True:
url = queue.get() # 从队列中取数据，如果队列为空会一直停在这一行
print("get detail html started")
time.sleep(2)
print("get detail html end")
def get_detail_url(queue):
# 爬取文章列表页
while True:
print("get detail url started")
time.sleep(4)
for i in range(20):
queue.put("http://projectsedu.com/{id}".format(id=i)) # 队列里放数据
print("get detail url end")
if __name__ == "__main__":
detail_url_queue = Queue(maxsize=1000) # 设置队列最大值
thread_detail_url = threading.Thread(target=get_detail_url, args=(detail_url_queue,))
thread_detail_url.start()
for i in range(10):
html_thread = threading.Thread(target=get_detail_html, args=(detail_url_queue,))
html_thread.start()
start_time = time.time()
print("last time: {}".format(time.time() - start_time))
输出结果如下
线程同步 - Lock、RLock
Lock 锁
这个主要用在多线程中，只有拿到锁的线程执行，没拿到锁的线程挂起
注意：
1)获取锁和释放锁都需要时间，所以锁会影响性能
2)锁会引起死锁，死锁情况2如下
A(a, b)
acquire(a) #需要先获得a，然后获得b
acquire(b)
B(a, b)
acquire(b) #需要先获得b, 然后获得a
acquire(a)
如果A(a, b)获得a的同时，B(a, b)获得了b，那么他们都在互相等待资源造成死锁
from threading import Lock
total = 0
lock = Lock()
def add():
global total
global lock
for i in range(1000000):
lock.acquire() # 获取锁
total += 1
lock.release() # 释放锁
def desc():
global total
global lock
for i in range(1000000):
lock.acquire()
# lock.acquire() 死锁情况1：连续2次使用lock.acquire()，就会造成死锁，程序一直不执行
total -= 1
lock.release()
import threading
thread1 = threading.Thread(target=add)
thread2 = threading.Thread(target=desc)
thread1.start()
thread2.start()
thread1.join()
thread2.join()
print(total)
输出结果如下
RLock锁
这个同一个线程里面，可以连续调用多次acquire， 一定要注意acquire的次数要和release的次数。解决单线程中某函数调用另一个函数函数，并且也有lock的情况
from threading import Lock, RLock
total = 0
lock = RLock()
def add():
global total
global lock
for i in range(1000000):
lock.acquire()
lock.acquire()
total += 1
lock.release()
lock.release()
def desc():
global total
global lock
for i in range(1000000):
lock.acquire()
total -= 1
lock.release()
import threading
thread1 = threading.Thread(target=add)
thread2 = threading.Thread(target=desc)
thread1.start()
thread2.start()
thread1.join()
thread2.join()
print(total)
输出结果如下
线程同步 - condition 使用以及源码分析
condition: 多线程条件变量，用于复杂的线程间同步，比如模拟机器人对话
天猫精灵 : 小爱同学
小爱 : 在
天猫精灵 : 我们来对古诗吧
小爱 : 好啊
天猫精灵 : 我住长江头
小爱 : 君住长江尾
天猫精灵 : 日日思君不见君
小爱 : 共饮长江水
天猫精灵 : 此水几时休
小爱 : 此恨何时已
天猫精灵 : 只愿君心似我心
小爱 : 定不负相思意
启动顺序很重要
在调用with cond之后才能调用wait或者notify方法
condition有两层锁， 一把底层锁会在线程调用了wait方法的时候释放， 上面的锁会在每次调用wait的时候分配一把并放入到cond的等待队列中，等到notify方法的唤醒
wait()必须要有notify()通知后才能响应
import threading
class XiaoAi(threading.Thread):
def __init__(self, cond):
super().__init__(name="小爱")
self.cond = cond
def run(self):
with self.cond:
self.cond.wait()
print("{} : 在 ".format(self.name))
self.cond.notify()
self.cond.wait()
print("{} : 好啊 ".format(self.name))
self.cond.notify()
self.cond.wait()
print("{} : 君住长江尾 ".format(self.name))
self.cond.notify()
self.cond.wait()
print("{} : 共饮长江水 ".format(self.name))
self.cond.notify()
self.cond.wait()
print("{} : 此恨何时已 ".format(self.name))
self.cond.notify()
self.cond.wait()
print("{} : 定不负相思意 ".format(self.name))
self.cond.notify()
class TianMao(threading.Thread):
def __init__(self, cond):
super().__init__(name="天猫精灵")
self.cond = cond
def run(self):
with self.cond:
print("{} : 小爱同学 ".format(self.name))
self.cond.notify()
self.cond.wait()
print("{} : 我们来对古诗吧 ".format(self.name))
self.cond.notify()
self.cond.wait()
print("{} : 我住长江头 ".format(self.name))
self.cond.notify()
self.cond.wait()
print("{} : 日日思君不见君 ".format(self.name))
self.cond.notify()
self.cond.wait()
print("{} : 此水几时休 ".format(self.name))
self.cond.notify()
self.cond.wait()
print("{} : 只愿君心似我心 ".format(self.name))
self.cond.notify()
self.cond.wait()
if __name__ == "__main__":
from concurrent import futures
cond = threading.Condition()
xiaoai = XiaoAi(cond)
tianmao = TianMao(cond)
xiaoai.start()
tianmao.start()
输出结果如下
线程同步 - Semaphore 使用以及源码分析
作用：控制进入数量的锁
举个例子：
写文件的时候，一般只用于一个线程写；读文件的时候可以用多个线程读，我们可以用信号量来控制多少个线程读文件
做爬虫的时候，也可以用信号量来控制并发数量，以免访问量过多而被反爬，如下面代码
import threading
import time
# 模拟2秒钟抓取一个html
class HtmlSpider(threading.Thread):
def __init__(self, url, sem):
super().__init__()
self.url = url
self.sem = sem
def run(self):
time.sleep(2)
print("success")
self.sem.release() # 第三步：在这里释放锁，因为线程里运行的是爬虫
class UrlProducer(threading.Thread):
def __init__(self, sem):
super().__init__()
self.sem = sem
def run(self):
for i in range(10):
self.sem.acquire() # 第二步：获得锁，每获得一个锁信号量中的值就减一。获得3个锁时暂停程序，等待锁释放，看Semaphore源码
html_thread = HtmlSpider("https://baidu.com/{}".format(i), self.sem)
html_thread.start()
if __name__ == "__main__":
sem = threading.Semaphore(3) # 第一步，设置3个并发
url_producer = UrlProducer(sem)
url_producer.start()
输出结果如下
ThreadPoolExecutor线程池
为什么要用线程池
1 线程池提供一个最大线程允许的数量，当任务请求过多而超过线程池最大值时，就会造成阻塞。这个功能信号量也能做到
2 线程池允许主线程中获得某一个子线程的状态，或者某一个任务的状态以及返回值
3 当一个子线程完成时，主线程能立即知道
4 futures模块可以让多线程和多进程编码接口一致，如果想把多线程切换为多进程就会很方便
获取子线程的运行状态(done)和返回值(result)
from concurrent.futures import ThreadPoolExecutor
import time
def get_html(times):
time.sleep(times)
print("use {} to success".format(times))
return "运行的时间是{}秒".format(times)
executor = ThreadPoolExecutor(max_workers=2) # 生成一个线程池对象，设置线程池里同时运行的数量
# 通过submit函数提交执行的函数到线程池中,返回一个Future对象
task1 = executor.submit(get_html, (2)) # (2)为函数get_html中的参数值
task2 = executor.submit(get_html, (1))
# 返回对象的done方法可用于判断任务是否执行成功,并且是立即执行，这里用task1为例子
print(task1.done())
time.sleep(3) # 等待3秒后，在用done方法测试，结果为True. 可能是pychram内部计算问题，这里不能写2，否则会显示False
print(task1.done())
print(task1.result()) # result方法可获得get_html函数的返回值
输出结果如下
主线程实时获取已经成功执行的任务返回值，可以用as_completed库
不管urls列表中爬取时间顺序如何，主线程的输出都是按照时间先后顺序输出的
from concurrent.futures import ThreadPoolExecutor, as_completed
import time
def get_html(times):
time.sleep(times)
print("use {} to success".format(times))
return "我运行的时间是{}秒".format(times)
executor = ThreadPoolExecutor(max_workers=2) # 设置线程池里同时运行的数量
# 模拟各线程爬取时间为urls列表
urls = [3, 4, 9, 7]
all_task = [executor.submit(get_html, (url)) for url in urls]
for future in as_completed(all_task):
data = future.result()
print(data)
输出结果如下
通过executor获取已经完成的task，需要用到map函数
主线程的输出顺序和urls列表中的时间顺序一样，和上面的例子注意区分
from concurrent.futures import ThreadPoolExecutor
import time
def get_html(times):
time.sleep(times)
print("use {} to success".format(times))
return "我运行的时间是{}秒".format(times)
executor = ThreadPoolExecutor(max_workers=2) # 设置线程池里同时运行的数量
# 模拟各线程爬取时间为urls列表
urls = [3, 4, 9, 7]
# 通过executor获取已经完成的task, 使用map(),和python中的map函数类似
for data in executor.map(get_html, urls):
print(data)
输出结果如下
wait函数，可用于等待某一个任务完成时，输出自定义状态
这里是第一个任务执行完打印 main 输出中main的位置，看下wait的源码理解下return_when
from concurrent.futures import ThreadPoolExecutor, as_completed, wait, FIRST_COMPLETED
import time
def get_html(times):
time.sleep(times)
print("use {} to success".format(times))
return "我运行的时间是{}秒".format(times)
executor = ThreadPoolExecutor(max_workers=2) # 设置线程池里同时运行的数量
# 模拟各线程爬取时间为urls列表
urls = [3, 4, 9, 7]
all_task = [executor.submit(get_html, (url)) for url in urls]
# 添加wait函数，其中的return_when表示第一个线程完成时执行下一行代码
wait(all_task, return_when=FIRST_COMPLETED)
print("main")
for future in as_completed(all_task):
data = future.result()
print(data)
输出结果
ThreadPoolExecutor源码分析
1. 未来对象：Future对象
from concurrent.futures import Future: 主要用于作为task的返回容器
源码现在看不懂，以后有时间再看
多线程和多进程对比
python由于GIL锁的存在CPU同一时间不能执行多个线程，无法把多线程映射到多个CPU上。在有些情况下如果想充分利用多核，可以用多进程编程
对于I/O操作，一般使用多线程编程，因为进程切换代价要高于线程
多余CPU操作，一般使用多进程编程，可以充分利用CPU的优势
CPU密集型
多进程性能高于多线程
斐波那契的计算是一个耗CPU的操作，下面用线程和进程执行一个10个数的斐波那契值所需要的时间
import time
from concurrent.futures import ThreadPoolExecutor, as_completed
from concurrent.futures import ProcessPoolExecutor
def fib(n):
if n<=2:
return 1
return fib(n-1)+fib(n-2)
if __name__ == "__main__":
with ThreadPoolExecutor(3) as executor:
all_task = [executor.submit(fib, (num)) for num in range(25,35)]
start_time = time.time()
for future in as_completed(all_task):
data = future.result()
print("多线程用时:{}".format(time.time()-start_time))
with ProcessPoolExecutor(3) as executor:
all_task = [executor.submit(fib, (num)) for num in range(25,35)]
start_time = time.time()
for future in as_completed(all_task):
data = future.result()
print("多进程用时:{}".format(time.time()-start_time))
输出结果
I/O密集性比较
可以看到多线程和多进程性能差不多，但是多进程比较重耗内存，所以对I/O操作使用多线程比较适合
from concurrent.futures import ThreadPoolExecutor, as_completed
from concurrent.futures import ProcessPoolExecutor
import time
def random_sleep(n):
time.sleep(n)
return n
if __name__ == "__main__":
with ProcessPoolExecutor(3) as executor:
all_task = [executor.submit(random_sleep, (num)) for num in [1] * 30]
start_time = time.time()
for future in as_completed(all_task):
data = future.result()
print("多进程用时 :{}".format(time.time() - start_time))
with ThreadPoolExecutor(3) as executor:
all_task = [executor.submit(random_sleep, (num)) for num in [1] * 30]
start_time = time.time()
for future in as_completed(all_task):
data = future.result()
print("多线程用时 :{}".format(time.time() - start_time))
输出结果如下
multiprocessing 多进程编程
fork函数创建子进程
fork在linux中用于创建子进程，不能在windows中使用，如下代码存在一个文件比如1.py中
import os
import time
pid = os.fork()
print("jack")
if pid == 0:
print('子进程 {} ，父进程是： {}.' .format(os.getpid(), os.getppid()))
else:
print('我是父进程：{}.'.format(pid))
time.sleep(2)
输出结果如下
说明：
1)执行文件1.py时，会生成一个主进程；代码里的fork()又创建了一个子进程，pid不会是0。所以会先输出前两行的内容
2)1.py的主进程执行完后，会执行里面的子进程，它会复制os.fork()后的所有代码，重新执行一次，所有得到后两行输出
结论：两个进程间的数据完全是隔离的
multiprocessing来实现多进程，比ProcessPoolExecutor更底层
使用multiprocessing下的线程池
import multiprocessing
import time
def get_html(n):
time.sleep(n)
print("sub_progress sucess")
return n
if __name__ == "__main__":
# 使用mulproccessing中的线程池
pool = multiprocessing.Pool(multiprocessing.cpu_count())
result = pool.apply_async(get_html, args=(3,)) # 这里的3是给get_html的参数设置为3秒
# 等待所有任务完成
pool.close() # 要先把进程池关闭，否则会抛异常
pool.join()
print(result.get())
输出结果如下
imap，对应线程中的map获取进程执行成功的返回值，按列表中的时间顺序输出
import multiprocessing
import time
def get_html(n):
time.sleep(n)
print("sub_progress sucess")
return n
if __name__ == "__main__":
pool = multiprocessing.Pool(multiprocessing.cpu_count())
for result in pool.imap(get_html, [1, 5, 3]): # result为get_html的返回值
print("{} success".format(result))
输出结果如下
imap_unordered方法获取进程执行成功的返回值，按执行时间先后顺序输出
import multiprocessing
import time
def get_html(n):
time.sleep(n)
print("sub_progress sucess")
return n
if __name__ == "__main__":
pool = multiprocessing.Pool(multiprocessing.cpu_count())
for result in pool.imap_unordered(get_html, [1, 5, 3]):
print("{} sleep success".format(result))
输出结果如下
进程间通信 - Queue、Pipe，Manager
使用multiprocessing中的Queue进行通信
把一个进程中的值传给另一个进程
import time
from multiprocessing import Process, Queue
def producer(queue):
queue.put("a")
time.sleep(2)
def consumer(queue):
time.sleep(2) # 需等待producer执行完再拿数据
data = queue.get()
print(data)
if __name__ == "__main__":
queue = Queue(5)
my_producer = Process(target=producer, args=(queue,))
my_consumer = Process(target=consumer, args=(queue,))
my_producer.start()
my_consumer.start()
my_producer.join()
my_consumer.join()
输出结果如下
进程池中的进程间通信需要使用Manager实例化中的Queue
把一个进程中的值传给另一个进程
import time
from multiprocessing import Pool, Manager
def producer(queue):
queue.put("a")
time.sleep(2)
def consumer(queue):
time.sleep(2)
data = queue.get()
print(data)
if __name__ == "__main__":
queue = Manager().Queue(5) # 使用Manage实例化后的Queue
pool = Pool(2)
pool.apply_async(producer, args=(queue,))
pool.apply_async(consumer, args=(queue,))
pool.close()
pool.join()
输出结果如下
使用pipe实现进程间通信
pipe只能用于2个进程间的通信，pipe的性能是高于queue的
把一个进程中的值传给另一个进程
from multiprocessing import Process, Pipe
def producer(pipe):
pipe.send("a")
def consumer(pipe):
print(pipe.recv())
if __name__ == "__main__":
recevie_pipe, send_pipe = Pipe()
# pipe只能用于2个进程间的通信
my_producer = Process(target=producer, args=(send_pipe,))
my_consumer = Process(target=consumer, args=(recevie_pipe,))
my_producer.start()
my_consumer.start()
my_producer.join()
my_consumer.join()
输出结果如下
进程间使用共享内存
本例子是用dict来做说明，其实Manager()里还有list, tuple等数据结构都可以使用，进程间的数据合并了，都写入了主进程中的同一个内存中
from multiprocessing import Manager, Process
def add_data(p_dict, key, value):
p_dict[key] = value
if __name__ == "__main__":
progress_dict = Manager().dict()
first_progress = Process(target=add_data, args=(progress_dict, "jack", 22))
second_progress = Process(target=add_data, args=(progress_dict, "hong", 34))
first_progress.start()
second_progress.start()
first_progress.join()
second_progress.join()
print(progress_dict)
输出结果如下
336
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
