目录
一堆锁
死锁现象(*****
)
死锁指的是,某个资源被占用之后,一直得不到释放,导致其他需要这个资源的线程进入阻塞状态
产生死锁的情况
对同一把互斥锁,进行了多次加锁
一个共享资源,在访问时必须具备多把锁,但是这些锁被不同的线程或进程所持有,这样会导致相互等待对方释放,从而程序卡死
解决方案:
- 按照相同的顺序进行抢锁
- 给抢锁加上超时,如果超时就放弃抢锁
递归锁 RLock (了解)
与普通的互斥锁相同点在于,在多线程之间有互斥的效果但是同一个线程中,递归锁可以多次加锁,执行多次acquire
同一个线程必须保证 加锁的次数和解锁的次数相同 其它线程才能够抢到这把锁
RLock只是解决了代码逻辑上的错误导致的死锁,并不能解决多个锁造成的死锁问题
# 同一把RLock 多次acquire#l1 = RLock()#l2 = l1# 不同的RLock 依然会锁死#l1 = RLock()#l2 = RLock()def task(): l1.acquire() print(threading.current_thread().name,"拿到了筷子") time.sleep(0.1) l2.acquire() print(threading.current_thread().name, "拿到了盘子") print("吃饭") l1.release() l2.release()def task2(): l2.acquire() print(threading.current_thread().name, "拿到了盘子") l1.acquire() print(threading.current_thread().name,"拿到了筷子") print("吃饭") l2.release() l1.release()t1 = Thread(target=task)t1.start()t2 = Thread(target=task2)t2.start()
信号量 (了解)
可以用来限制同时并发执行公共代码的线程数量
如果限制数量为1,则和普通的互斥锁一样
from threading import Thread, Semaphore, currentThreadimport times = Semaphore(3) # 一次只能有3个线程占用def task(): s.acquire() time.sleep(1) print(currentThread().name) s.release() for i in range(10): Thread(target=task).start()
注意:信号量不是用来解决安全问题的 而是用于限制最大的并发量
GIL(*****
)
什么时GIL锁
'''In CPython, the global interpreter lock, or GIL, is a mutex that prevents multiple native threads from executing Python bytecodes at once. This lock is necessary mainly because CPython’s memory management is not thread-safe. (However, since the GIL exists, other features have grown to depend on the guarantees that it enforces.)''''''在CPython中,全局解释器锁(global interpreter lock, GIL)是一个互斥体,它防止多个本机线程同时执行Python字节码。这个锁是必要的,主要是因为CPython的内存管理不是线程安全的。(然而,自从GIL存在以来,其他特性已经逐渐依赖于它强制执行的保证。)'''
GIL本质是一把互斥锁,但GIL锁住的是解释器级别的数据
自定义锁,锁的是解释器以外的共享资源,例如:硬盘上的文件 控制台,对于这种不属于解释器的数据资源就应该自己加锁处理
为什么需要GIL锁
python程序本身只是一串字符,只有通过python解释器运行之后才具有意义,但是在一个python程序中python解释器只有一个,所有代码都是由它来执行的,当多个线程都需要执行代码时,就会产生线程安全问题。
如果我们不开线程,是否就没有问题了?
Cpython解释器与GC的问题
GC线程又叫垃圾回收机制
在python中,解释器会自动帮我们进行垃圾回收,这也是需要开启一个线程来进行的,也就是说,当我们没有开启子线程的时候,内部还是有多个线程在执行。所以这就会带来线程安全问题
例如:
线程a要定义一个变量 b,首先申请一块空内存,然后把数据装进去,此时变量b的引用计数为0,最后才会将引用计数加一
但是,如果在刚把数据装进去的时候,CPU切换到GC线程,GC线程就会把变量b当作垃圾进行回收
GIL锁带来的问题
GIL锁本质还是一把互斥锁,所以就会降低程序运行效率
没有解决办法,只有尽可能的避免GIL带来的影响
使用多线程实现并行,更好的利用多核CPU
对任务进行区分
计算密集型
基本没有IO操作,大部分时间都是在进行计算,例如人脸识别,图像处理
由于线程不能并行,应该使用多进程,将任务分给不同的CPU进行
IO密集型
计算任务非常少,大部分时间都在等待IO操作
由于网络IO速度对比CPU处理速度非常慢,多线程并不会造成太大的影响,另外如有大量客户端连接服务,进程根本开不起来,只能用多线程
多线程与多进程性能对比
加锁主要就是为了解决线程安全问题,但这也导致了Cpython中,多线程只能并发而不能并行
python的优势:
- python是一门语言,GIL是Cpython解释器的问题 ,Jpython,pypy 并没有
如果是单核CPU,GIL不会造成任何影响
由于目前大多数程序都是基于网络的,网络速度对比CPU是非常慢的,导致即使多核CPU也无法提高效率
对于IO密集型任务,不会有太大的影响
如果没有这把锁,我们程序猿将必须自己来解决安全问题
性能测试 :
计算密集型任务
from multiprocessing import Processfrom threading import Threadimport time# # 计算密集型任务def task(): for i in range(100000000): 1+1if __name__ == '__main__': start_time = time.time() ps = [] for i in range(5): # p = Process(target=task) # 4.420854806900024 p = Thread(target=task) # 20.043513298034668 p.start() ps.append(p) for i in ps:i.join() print("共耗时:",time.time()-start_time)
IO密集型
from multiprocessing import Processfrom threading import Threadimport time# IO密集型任务def task(): for i in range(100): with open(r"1.死锁现象.py", 'r', encoding="utf-8") as fr: fr.read()if __name__ == '__main__': start_time = time.time() ps = [] for i in range(10): # p = Process(target=task) # 1.1040928363800049 p = Thread(target=task) # 0.09919905662536621 p.start() ps.append(p) for i in ps:i.join() print("共耗时:",time.time()-start_time)
进程池与线程池
池是一个容器,可以用来装一些东西,但池也是有容量限制的,不可能无限制的装东西
进程池和线程池就是用来装进程和线程的容器
进程池和线程池的好处:
- 可以避免频繁的创建和销毁(进程/线程)来的资源开销
- 可以限制同时存在的线程数量,以保证服务器不会应为资源不足而导致崩溃
- 帮我们管理了线程的生命周期
- 管理了任务的分配
进程池与线程池的使用
线程池
from concurrent.futures import ThreadPoolExecutorfrom threading import enumerate,currentThread# 创建一个线程池 指定最多可以容纳两个线程pool = ThreadPoolExecutor(2)def task(): print(currentThread().name)# 提交任务到池子中pool.submit(task)pool.submit(task)print(enumerate())
进程池
import osimport timefrom concurrent.futures import ProcessPoolExecutor# 创建一个进程池, 指定最多可以容纳两个线程def task(): time.sleep(1) print(os.getpid())if __name__ == '__main__': pool = ProcessPoolExecutor(2) pool.submit(task) pool.submit(task) pool.submit(task)
注意:如果进程不结束,池子里面的进程或线程也是一直存活的
同步异步(*****
)
异步同步指的是提交任务的方式
同步:是指提交任务后,必须需要等待任务完成之后才能进行下一个任务
异步:是指提交任务后,不需要等待任务完成,继续进行下一个任务
异步效率高于同步,但异步任务将导致一个问题,就是任务的发起方不知道任务何时处理完毕
解决办法:
轮询:每隔一段时间询问一次
结果:效率低,无法及时获取结果
异步回调:让任务的执行方主动通知
结果:可以及时拿到任务的结果
案例:
from threading import Thread# 具体的任务def task(callback): print('run') for i in range(100000000): 1 + 1 callback(True) # 回调函数,参数为任务的结果def finished(res): if res: print('任务完成') else: print('任务失败') print('start...')t = Thread(target=task,args=(finished,))t.start()print('over')
线程池中回调的使用
from concurrent.futures import ThreadPoolExecutordef task(num): time.sleep(1) print(num) return "hello python"def callback(obj): print(obj.result())pool = ThreadPoolExecutor()res = pool.submit(task,123)res.add_done_callback(callback)print("over")
Event事件
Event用于线程间状态同步,
执行状态:指的是程序运行到哪一步,此时的状态
执行结果:程序运行完了得到的结果
如果我们要拿到执行结果,可以采用异步回调
Event事件的本质就是一个标志,True or False
Evevt里面包含了一个wait函数,可以阻塞当前线程,直到状态由False变为True
from threading import Thread, Eventimport timee = Event()# is_bool = Falsedef start_server(): # global is_bool print('starting server.....') time.sleep(3) print('server started') # is_bool = True e.set()def connect_server(): e.wait() if e.is_set(): print('连接服务器成功') # while True: # if is_bool: # print('连接服务器成功') # break # else: # print('连接服务器失败') # # time.sleep(0.1)t1 = Thread(target=start_server)t2 = Thread(target=connect_server)t1.start()t2.start()