多线程threading学习

最新推荐文章于 2023-06-03 16:05:38 发布
最新推荐文章于 2023-06-03 16:05:38 发布
阅读量126 收藏
点赞数
分类专栏： 线程，进程
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43955530/article/details/102967866
版权

1 线程

import threading

def main():
    
    print(threading.active_count()) #看一下目前有多少个激活了的线程
    print(threading.enumerate()) #看一下这些线程是哪几个
    print(threading.current_thread()) #看一下现在在用的是哪个线程
    
if __name__ == '__main__':
    main()

在这里插入图片描述
可以看到现在有四个线程，执行的是主线程

2 添加线程

import threading

def thread_job():
    print("This is an add Thread,number is %s" % threading.current_thread())
    

def main():
    added_thread = threading.Thread(target = thread_job) 
    # 添加一个线程，参数里传进一个可执行的方法
    added_thread.start() #线程开始
#    print(threading.active_count()) #看一下目前有多少个激活了的线程
#    print(threading.enumerate()) #看一下这些线程是哪几个
#    print(threading.current_thread()) #看一下现在在用的是哪个线程
    
if __name__ == '__main__':
    main()

This is an add Thread,number is <Thread(Thread-6, started 5508)>
添加了一个Thread-6线程

import threading
import time

def thread_job():
    print("T1 start\n" )
    for i in range(10):
        time.sleep(0.1)#每次暂停0.1，一共十次暂停1s
    print('T1 finish\n')
    

def main():
    added_thread = threading.Thread(target = thread_job,name = 'T1') 
    # 添加一个线程，参数里传进一个可执行的方法
    added_thread.start() #线程开始
    print('all Done\n')
    
    
if __name__ == '__main__':
    main()

在这里插入图片描述
3 join()

可以看到all Done并不是等到T1 finish这行语句执行完的，说明这个added_thread.start()和print('all Done\n')两条语句是同时执行的

为了让这两个语句能够先后执行：

import threading
import time

def thread_job():
    print("T1 start\n" )
    for i in range(10):
        time.sleep(0.1)#每次暂停0.1，一共十次暂停1s
    print('T1 finish\n')
    

def main():
    added_thread = threading.Thread(target = thread_job,name = 'T1') 
    # 添加一个线程，参数里传进一个可执行的方法
    added_thread.start() #线程开始
    added_thread.join() #表示等待added_thread任务执行完之后才开始后面的代码
    print('all Done\n')
    
    
if __name__ == '__main__':
    main()

加了一个join，等待程序执行完毕，开始后面的代码

import threading
import time

def T1_job():
    print("T1 start\n" )
    for i in range(10):
        time.sleep(0.1)#每次暂停0.1，一共十次暂停1s
    print('T1 finish\n')
    
def T2_job(): #T2做的任务耗时更少
    print("T2 start\n" )
    print('T2 finish\n')
    

def main():
    added_threadT1 = threading.Thread(target = T1_job,name = 'T1') 
    # 添加一个线程，参数里传进一个可执行的方法
    added_threadT2 = threading.Thread(target = T2_job,name = 'T2') 
    # 添加一个线程，参数里传进一个可执行的方法
    added_threadT1.start() #线程开始
    added_threadT2.start() #线程开始
    print('all Done\n')
    
    
if __name__ == '__main__':
    main()

在这里插入图片描述
我们能看到，T1开始后，T2也开始，但是因为T2耗时更少，所以马上就结束了，T1等到all Done之后才结束added_threadT1.start()和added_threadT2.start()和print('all Done\n')开始有先后，但是处理是同时进行的，耗时久的后结束

import threading
import time

def T1_job():
    print("T1 start\n" )
    for i in range(10):
        time.sleep(0.1)#每次暂停0.1，一共十次暂停1s
    print('T1 finish\n')
    
def T2_job(): #T2做的任务耗时更少
    print("T2 start\n" )
    print('T2 finish\n')
    

def main():
    added_threadT1 = threading.Thread(target = T1_job,name = 'T1') 
    # 添加一个线程，参数里传进一个可执行的方法
    added_threadT2 = threading.Thread(target = T2_job,name = 'T2') 
    # 添加一个线程，参数里传进一个可执行的方法
    added_threadT1.start() #线程开始
    added_threadT2.start() #线程开始
    added_threadT1.join() #等待T1结束之后才进行后面的操作
    print('all Done\n')
    
    
if __name__ == '__main__':
    main()

在这里插入图片描述

4 Queue
多线程运算的结果放在队列中，对每一个线程的队列，放入主线程中，再取出

import threading
import queue

def job(name,lis,q):#传进来一个列表
    #定义一个job，对列表中的每一个值进行平方的运算
    for i in range(len(lis)):
        lis[i] = lis[i]**2
    q.put(lis) #把小列表的处理结构放到q里面
    print(str(lis) + ' has been done\n')
     
#返回得出来的结果
#return L不能使用，因为线程中的返回值是得不到的，所以需要构建一个列表去得到
def multithreading(data):
    q = queue.Queue() #存放所有线程返回的结果
    threads = [] #存放所有的线程
    
    for i in range(4):#定义4个线程
        threadName = 'Thread' + str(i)
        t = threading.Thread(target = job,args = (threadName,data[i],q))
        #target后面只放方法索引job，具体参数放在后面的args里面
        #每一个线程对应处理data里面一个小列表，如[1,2,3]
        print(threadName + ' start\n')
        t.start()        
#        print(data[i])
        threads.append(t)#threads得到的是一个线程列表，里面存放的是各个线程
        
    for thread in threads:
        thread.join() 
        # 将所有线程join到主线程里面去，等待所有线程完了之后才进行后面的操作
    
    results = []   
    for _ in range(4):#得到q里面的值
        results.append(q.get()) #从q里面拿四次值，拿出来放到result里面去        
    return results
        
if __name__ == '__main__':  
    data = [[1,2,3],[3,4,5],[4,4,4],[5,5,5]] #四个线程同时处理四个小列表
    results = multithreading(data)  
    print(results)

在这里插入图片描述
5 效率问题
python中多线程不一定有效率提高的效果
多线程有一个全局的控制，并不是把任务平均分给每个线程同时做
python只能让一个线程在同一个时间运算，只是不同的线程在相互切换
在这里插入图片描述

这里采用normal方法和multithreading的方法对比：
普通方法一个线程执行四遍，多线程方法，四个线程执行一遍，看看是否是多线程会提高效率

import threading
import queue
import time
import copy

def job(name,lis,q):#传进来一个列表
    res = sum(lis)
    q.put(res)
     
def multithreading(data):
    q = queue.Queue() #存放所有线程返回的结果
    threads = [] #存放所有的线程
    
    for i in range(4):#定义4个线程
        threadName = 'Thread' + str(i)
        t = threading.Thread(target = job,args = (threadName,copy.copy(data),q))
        #target后面只放方法索引job，具体参数放在后面的args里面
        
#        print(threadName + ' start\n')
        t.start()        
#        print(data[i])
        threads.append(t)#threads得到的是一个线程列表，里面存放的是各个线程
        
#    for thread in threads:
#        thread.join() 
#        # 将所有线程join到主线程里面去，等待所有线程完了之后才进行后面的操作
    
    [t.join() for t in threads]#与上面的for循环作用一样
    
    total = 0   
    for _ in range(4):#得到q里面的值
        total += q.get()        
    return total


def nomal(data):
    total = sum(data)
    return total
        
if __name__ == '__main__':  
    data = list(range(1000000))#得到一个列表
    s_t = time.time()
    nomal_total = nomal(data*4)#这个列表扩大四倍,用普通方法求和
    #一个线程求和四倍数据所用的时间
    print('nomal:',time.time()-s_t)
    print(nomal_total)
    s_t = time.time()
    multithreading_total = multithreading(data)  
    #四个线程求和一倍数据所有的总时间
    print('multithreading:',time.time()-s_t)  
    print(multithreading_total)

在这里插入图片描述
同时只有一个线程在工作，实际上减少的时间是读写所节省出来的时间
如果要使很多数据的处理同时进行，那么就需要multiprocess，多进程

6 Lock

import threading

#定义两个任务，都对A进行操作，看会怎么样
def job1():
    global A
    for i in range(10):
        A += 1
        print('job1:',A)
           
def job2():
    global A
    for i in range(10):
        A += 10
        print('job2:',A)
    
if __name__ == '__main__':
    A = 0
    #开两个线程，两个线程分别做不同的任务
    t1 = threading.Thread(target = job1)
    t2 = threading.Thread(target = job2)
    t1.start()
    t2.start()
    t1.join()
    t2.join()

我们可以看到job1，job2同时进行，而且打印的比较乱，每次运行的过程都是不确定的
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
如果想要job1进行完了之后才进行job2，那么就要把job1给lock起来

import threading

#定义两个任务，都对A进行操作，看会怎么样
def job1():
    global A,lock
    lock.acquire()
    for i in range(10):
        A += 1
        print('job1:',A)
    lock.release()
           
def job2():
    global A,lock
    lock.acquire()
    for i in range(10):
        A += 10
        print('job2:',A)
    lock.release()
    
if __name__ == '__main__':
    lock = threading.Lock() #实例化一个lock对象
    A = 0
    #开两个线程，两个线程分别做不同的任务
    t1 = threading.Thread(target = job1)
    t2 = threading.Thread(target = job2)
    
    t1.start() #t1开始之后,进入锁锁住，知道运行结束，才开始t2的任务
    t2.start()
    t1.join()
    t2.join()

在这里插入图片描述

逆夏11111
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python 多线程Threading初学教程
09-21
多线程可简单理解为同时执行多个任务。本文给大家分享Python 多线程Threading初学教程实例详解，感兴趣的朋友一起学习吧
threading学习
张洁的笔记
11-18 169
python threading有一个有趣的现象，起多个线程时，CPU 占用只有160%不到200%，这是由于GIL全局解释锁的原因，参考python基础之多线程锁机制 import time, threading n = 1 def loop(i): global n n = n + i n = n - i print 'n: ', n def run_thread(): ...
threading库：Python线程的基础知识
李元静
05-12 5327
目录前言 前言 前面的subprocess库主要讲解的是进程知识与进程间的交互。而进程有可以拥有多个线程，所以threading库提供了管理多个线程执行的API，允许程序在同一个进程空间并发地运行多个操作。 本篇，将详细的介绍Python线程库：threading。 ...
python 多线程 threading学习笔记
qq12033559的博客
11-16 171
多线程 threading 的一些常用属性 threading.currentThread：返回当前线程变量 threading.enumerate:返回一个包含正在运行的线程的list，正在运行的线程指的是线程启动后，结束前的状态 threading.activeCount: 返回正在运行的线程数量，效果跟 len(threading.enumerate)相同 thr.setName: 给线程...
python多线程threading学习
liujianfeng123a的博客
06-03 39
【代码】python多线程threading学习
Python多线程threading创建及使用方法解析
09-16
主要介绍了Python多线程threading创建及使用方法解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
Python多线程threading join和守护线程setDeamon原理详解
09-17
主要介绍了Python多线程threading join和守护线程setDeamon原理详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
python socket threading 多线程服务端
12-21
现在这个例子添加了多线程 之前的例子有解释：https://blog.csdn.net/y363893017/article/details/105676878 大家可以自己去看，仅供学习，提供思路。 以下是我自己电脑上的截图 两个线程上传 上传完一个后 服务端...
Python用threading实现多线程详解
09-21
主要给大家介绍了Python用threading实现多线程的方法示例，文中介绍的很详细，对大家具有一定的参考借鉴价值，有需要的朋友们下面来一起学习学习吧。
keil5安装程序（包含keygen）
05-21
keil5安装程序（包含keygen）适用于单片机学习
grpcio-1.14.1-cp37-cp37m-manylinux1_i686.whl
最新发布
05-21
Python社区提供了大量的第三方库，如NumPy、Pandas和Requests，极大地丰富了Python的应用领域，从数据科学到Web开发。Python库的丰富性是Python成为最受欢迎的编程语言之一的关键原因之一。这些库不仅为初学者提供了快速入门的途径，而且为经验丰富的开发者提供了强大的工具，以高效率、高质量地完成复杂任务。例如，Matplotlib和Seaborn库在数据可视化领域内非常受欢迎，它们提供了广泛的工具和技术，可以创建高度定制化的图表和图形，帮助数据科学家和分析师在数据探索和结果展示中更有效地传达信息。
grpcio-1.14.0-cp36-cp36m-linux_armv7l.whl
05-21
Python社区提供了大量的第三方库，如NumPy、Pandas和Requests，极大地丰富了Python的应用领域，从数据科学到Web开发。Python库的丰富性是Python成为最受欢迎的编程语言之一的关键原因之一。这些库不仅为初学者提供了快速入门的途径，而且为经验丰富的开发者提供了强大的工具，以高效率、高质量地完成复杂任务。例如，Matplotlib和Seaborn库在数据可视化领域内非常受欢迎，它们提供了广泛的工具和技术，可以创建高度定制化的图表和图形，帮助数据科学家和分析师在数据探索和结果展示中更有效地传达信息。
CoreNLP一套Java核心自然语言处理工具，用于标记化、句子分词、NER分析、相互引用、情感分析等.zip
05-21
CoreNLP一套Java核心自然语言处理工具，用于标记化、句子分词、NER分析、相互引用、情感分析等
java+springboot图片处理Utils类文件
05-21
包含方法： 1、从图片的MultipartFile获取InputStream。 2、转换图片格式为jpg，保持原尺寸不变，并获取新的InputStream。 3、压缩图片文件大小,图片尺寸不变。 4、按照指定比例进行缩小和放大。 5、裁剪图片。 6、给某张图片绘制标记框，并输出至指定位置。 7、MultipartFile 转 File。
vscode-1.52.0.tar源码文件
05-21
vscode-1.52.0.tar源码文件vscode-1.52.0.tar源码文件 vscode-1.52.0.tar源码文件vscode-1.52.0.tar源码文件 vscode-1.52.0.tar源码文件vscode-1.52.0.tar源码文件 vscode-1.52.0.tar源码文件vscode-1.52.0.tar源码文件 vscode-1.52.0.tar源码文件vscode-1.52.0.tar源码文件 vscode-1.52.0.tar源码文件vscode-1.52.0.tar源码文件 vscode-1.52.0.tar源码文件vscode-1.52.0.tar源码文件 vscode-1.52.0.tar源码文件vscode-1.52.0.tar源码文件 vscode-1.52.0.tar源码文件vscode-1.52.0.tar源码文件 vscode-1.52.0.tar源码文件vscode-1.52.0.tar源码文件 vscode-1.52.0.tar源码文件vscode-1.52.0.tar源码文件
node-v10.14.1-headers.tar.xz
05-21
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
半监督模糊聚类matlab代码.zip
05-21
1.版本：matlab2014/2019a/2021a 2.附赠案例数据可直接运行matlab程序。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
grpcio-1.11.1-cp36-cp36m-manylinux1_x86_64.whl
05-21
Python社区提供了大量的第三方库，如NumPy、Pandas和Requests，极大地丰富了Python的应用领域，从数据科学到Web开发。Python库的丰富性是Python成为最受欢迎的编程语言之一的关键原因之一。这些库不仅为初学者提供了快速入门的途径，而且为经验丰富的开发者提供了强大的工具，以高效率、高质量地完成复杂任务。例如，Matplotlib和Seaborn库在数据可视化领域内非常受欢迎，它们提供了广泛的工具和技术，可以创建高度定制化的图表和图形，帮助数据科学家和分析师在数据探索和结果展示中更有效地传达信息。
python 多线程学习
11-08
在Python中，可以使用`threading`模块来实现多线程。 下面是一个简单的Python多线程示例： ```python import threading def worker(): print("Worker is running") # 创建线程对象 thread1 = threading.Thread...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值