Python 多線程Threading初學教程

2019-11-25 15:54:45

字體：大中小

來源：轉載

供稿：網友

1.1 什么是多線程 Threading

多線程可簡單理解為同時執行多個任務。

多進程和多線程都可以執行多個任務，線程是進程的一部分。線程的特點是線程之間可以共享內存和變量，資源消耗少（不過在Unix環境中，多進程和多線程資源調度消耗差距不明顯，Unix調度較快），缺點是線程之間的同步和加鎖比較麻煩。

1.2 添加線程 Thread

導入模塊

import threading

獲取已激活的線程數

threading.active_count()

查看所有線程信息

threading.enumerate()

查看現在正在運行的線程

threading.current_thread()

添加線程，threading.Thread()接收參數target代表這個線程要完成的任務，需自行定義

def thread_job():  print('This is a thread of %s' % threading.current_thread())def main():  thread = threading.Thread(target=thread_job,)  # 定義線程   thread.start() # 讓線程開始工作  if __name__ == '__main__':  main()

1.3 join 功能

因為線程是同時進行的，使用join功能可讓線程完成后再進行下一步操作，即阻塞調用線程，直到隊列中的所有任務被處理掉。

import threadingimport timedef thread_job():  print('T1 start/n')  for i in range(10):    time.sleep(0.1)  print('T1 finish/n')def T2_job():  print('T2 start/n')  print('T2 finish/n')def main():  added_thread=threading.Thread(target=thread_job,name='T1')  thread2=threading.Thread(target=T2_job,name='T2')  added_thread.start()  #added_thread.join()  thread2.start()  #thread2.join()  print('all done/n')if __name__=='__main__':   main()

例子如上所示，當不使用join功能的時候，結果如下圖所示：

當執行了join功能之后，T1運行完之后才運行T2，之后再運行print（‘all done'）

1.4 儲存進程結果 queue

queue是python標準庫中的線程安全的隊列（FIFO）實現,提供了一個適用于多線程編程的先進先出的數據結構，即隊列，用來在生產者和消費者線程之間的信息傳遞

（1）基本FIFO隊列

 class queue.Queue(maxsize=0)

maxsize是整數，表明隊列中能存放的數據個數的上限，達到上限時，插入會導致阻塞，直至隊列中的數據被消費掉，如果maxsize小于或者等于0，隊列大小沒有限制

（2）LIFO隊列 last in first out后進先出

class queue.LifoQueue(maxsize=0)

（3）優先級隊列

class queue.PriorityQueue(maxsize=0)

視頻中的代碼，看的還不是特別明白

import threadingimport timefrom queue import Queuedef job(l,q):  for i in range(len(l)):    l[i]=l[i]**2  q.put(l)def multithreading():  q=Queue()  threads=[]  data=[[1,2,3],[3,4,5],[4,5,6],[5,6,7]]  for i in range(4):    t=threading.Thread(target=job,args=(data[i],q))    t.start()    threads.append(t)  for thread in threads:    thread.join()  results=[]  for _ in range(4):    results.append(q.get())  print(results)if __name__=='__main__':   multithreading()

運行結果如下所示

圖片截取來源：http://www.cnblogs.com/itogo/p/5635629.html

1.5 GIL 不一定有效率

Global Interpreter Lock全局解釋器鎖，python的執行由python虛擬機（也成解釋器主循環）控制，GIL的控制對python虛擬機的訪問，保證在任意時刻，只有一個線程在解釋器中運行。在多線程環境中能，python虛擬機按照以下方式執行：

1.設置 GIL

2.切換到一個線程去運行

3.運行：

a.指定數量的字節碼指令，或

b.線程主動讓出控制（可以調用time.sleep(0)）

4.把線程設置為睡眠狀態

5.解鎖GIL

6.重復1-5

在調用外部代碼（如C/C++擴展函數）的時候，GIL將會被鎖定，直到這個函數結束為止（由于在這期間沒有python的字節碼被運行，所以不會做線程切換）。

下面為視頻中所舉例的代碼，將一個數擴大4倍，分為正常方式、以及分配給4個線程去做，發現耗時其實并沒有相差太多量級。

import threadingfrom queue import Queueimport copyimport timedef job(l, q):  res = sum(l)  q.put(res)def multithreading(l):  q = Queue()  threads = []  for i in range(4):    t = threading.Thread(target=job, args=(copy.copy(l), q), name='T%i' % i)    t.start()    threads.append(t)  [t.join() for t in threads]  total = 0  for _ in range(4):    total += q.get()  print(total)def normal(l):  total = sum(l)  print(total)if __name__ == '__main__':  l = list(range(1000000))  s_t = time.time()  normal(l*4)  print('normal: ',time.time()-s_t)  s_t = time.time()  multithreading(l)  print('multithreading: ', time.time()-s_t)

運行結果為：

1.6 線程鎖 Lock

如果線程1得到了結果，想要讓線程2繼續使用1的結果進行處理，則需要對1lock，等到1執行完，再開始執行線程2。一般來說對share memory即對共享內存進行加工處理時會用到lock。

import threadingdef job1():  global A, lock #全局變量  lock.acquire() #開始lock  for i in range(10):    A += 1    print('job1', A)  lock.release() #釋放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()  A = 0  t1 = threading.Thread(target=job1)  t2 = threading.Thread(target=job2)  t1.start()  t2.start()  t1.join()  t2.join()

運行結果如下所示：