目录
- python线程入门
-
线程与进程
- 线程
- 总结
- 参考
python线程入门
正常情况下，我们在启动一个程序的时候。这个程序会先启动一个进程，启动之后这个进程会启动起来一个线程。这个线程再去处理事务。也就是说真正干活的是线程，进程这玩意只负责向系统要内存，要资源但是进程自己是不干活的。默认情况下只有一个进程只会拉起来一个线程。
多线程顾名思义，就是同样在一个进程的情况同时拉起来多个线程。真正干活的是线程。进程与线程的关系就像是工厂和工人的关系, 要想一个工厂运行起来,至少有一个工,当然如果工人多, 那么效率就变高了。因为只有一个进程，所以多线程在提高效率的同时，并没有向系统伸手要更多的内存资源。因此使用起来性价比还是很高的。但是虽然多线程不会消耗更多的内存，但是每个线程却需要CPU的的参与。
可以这样理解: 工厂虽然是固定的大小,可以容纳很多工人取干活, 但是工人干活儿需要人来协调, 如果工人太多, 对于一个固定的厂, CPU相当于厂长, 厂长的精力也是有限的, 当厂长(CPU忙不过不过来的时候效率也一样会有影响. 所以工人（线程）的数量最好还是在厂长（cpu）的能力（内核数）范围之内比较好。
线程与进程
-
硬件发展：
- cpu 切片，由之前的串行处理，到后来实行分片，同时执行一颗线程，处理效率更快.多核CPU 同一时刻可以执行多个线程。
-
软件发展：
单进程单线程
-
多线程单进程的程序，
- 同一个进程下的多个线程可能在多颗CPU上执行，一个线程不可能同时在多个cpu上。（其他语言会出现）
- Python语言不会出现同一个进程下的多线程同时出现在多个CPU上，全局解释器锁GRL. 限定了当一个进程下的多个线程处理的时候，只能在一个CPU上执行，当一个线程被处理的时候，其他的线程只会等候；这样的缺点，处理效率很低。
-
多线程多进程的程序。
进程的开销通常比线程昂贵,因为线程自动共享内存地址空间和文件描述符. 意味着, 创建进程比创建线程会花费更多的资源和时间
在执行一些
sleep/read/write/recv/send这些会导致阻塞的函数时，当前线程会主动放弃GIL，然后调用相应的系统API，完成后再重新申请GIL。因此，GIL也并不是导致Python的多线程完全没用，在一些IO等待的场合，Python多线程还是发挥了作用，当然如果多线程都是用于CPU密集的代码，那多线程的执行效率就明显会比单线程的低。
-
程序, 线程与 进程关系
- 一个程序可能有多个多个进程, 某一个进程里面可以包含多个线程.
线程
创建线程
如何实现: 使用
threading模块创建一个简单的线程
-
启动一个线程就是把一个
函数传入并创建Thread实例，然后调用start()开始执行启动一个线程
#!/usr/bin/env python #-*-coding:utf-8-*- import time, threading # 线程执行的代码: def thread_demo(): print('thread %s is running...' % threading.current_thread().name) n = 0 while n < 5: n = n + 1 print('thread %s >>> %s' % (threading.current_thread().name, n)) time.sleep(1) print('thread %s ended.' % threading.current_thread().name) if __name__ == "__main__": print('thread %s is running...' % threading.current_thread().name) t = threading.Thread(target=thread_demo, name= "subThread") t.start() t.join() print('thread %s ended.' % threading.current_thread().name)-
threading模块可以直接用来创建一个线程. -
t. start()用来启动线程 -
t.join使多线程按顺序执行 -
threading.Thread实例化线程类.每实例化一个类,相当于开启一个线程, 参数target传递函数,name用来定义子线程的名字.
启动多个线程
#!/usr/bin/env python #-*-coding:utf-8-*- import threading import time def foo(num): for i in range(num): time.sleep(0.5) print i if __name__ == "__main__": for x in range(3): # 启动多个线程 t=threading.Thread(target=foo,args=(3,)) t.setDaemon(False) t.start() # 通过join方法让线程逐条执行 # t.join() #output 0 00 11 1 1 2 22 3 3 3- 其实这就是三个线程并行运行同时输出，所以把结果都输出到一起引起。正是这种乱才整明白了确实三个函数在同时运行。
- 如果想让结果看起来规则一些可以考虑使用
join()方法,join()可以理解为, 函数是按顺序执行的. 但是有时候这并不是我们想要的. 虽然创建了多个线程，没有了并行还要多线程干嘛, 因此join方法不能随便乱用的
-
线程之Join方法正确姿势
-
先看代码
#!/usr/bin/env python #-*-coding:utf-8-*- import threading import time def foo(num): for i in range(num): time.sleep(0.5) print(i) if __name__ == "__main__": """ 创建一个列表，用于存储要启动多线程的实例 """ print("MainThread is running....") threads = [] for x in range(3): t = threading.Thread(target=foo, args=(3,)) # 把多线程的实例追加入列表，要启动几个线程就追加几个实例 threads.append(t) for thr in threads: # 把列表中的实例遍历出来后，调用start()方法以线程启动运行 thr.start() for thr in threads: """ isAlive()方法可以返回True或False，用来判断是否还有没有运行结束 的线程。如果有的话就让主线程等待线程结束之后最后再结束。 """ if thr.isAlive(): thr.join() print("MainThread over")-
t.setDaemon()方法的时候我们知道，主线程相当于程序的主运行流程。程序运行的时候最先启动的一定就是主线程，主线程负责拉起子线程用于干活。例子中运行函数foo()线程其实都是子线程。因此可以说多线程其实就是多个子线程。那么程序运行完最后一个退出的也肯定就是主线程。因此上例中最后再遍历一遍threads列表的目的就是查看还是否有没有退出的子线程，只要还有子线程是活的，没有退出。通过join()方法强制程序流程不可以走到主线程退出的那个步骤。只有等子线程都退出之后，才能根据join()方法的规则顺序执行到主线程退出的步骤。即最后 输出MainThread over
-
线程锁(Lock)
多线程和多进程最大的不同在于，
多进程中，同一个变量，各自有一份拷贝存在于每个进程中，互不影响，而多线程中，所有变量都由所有线程共享，所以，任何一个变量都可以被任何一个线程修改，因此，线程之间共享数据最大的危险在于多个线程同时改一个变量，把内容给改乱了。-
一个混乱的例子
#!/usr/bin/env python #-*-coding:utf-8-*- import time import threading # 假定这是你的银行存款: balance = 0 # 余额 def change_it(m): '''正常情况下: 存多少,取多少,金额应该不变''' global balance balance = balance + m balance = balance - m def run_thread(n): for i in range(100000): change_it(n) if __name__ == "_mian__": t1 = threading.Thread(target=run_thread, args=(3,)) t2 = threading.Thread(target=run_thread, args=(4,)) t1.start() t2.start() t1.join() t2.join() print(balance)-
定义了一个共享变量
balance，初始值为0，并且启动两个线程，先存后取，理论上结果应该为0，但是，由于线程的调度是由操作系统决定的，当t1、t2交替执行时，只要循环次数足够多，balance的结果就不一定是0了。原因是因为
高级语言的一条语句在CPU执行时是若干条语句，即使一个简单的计算：balance = balance + x也分两步：可看以下两步
x = balance + n balance = x数据错误的原因：是因为修改
balance需要多条语句，而执行这几条语句时，线程可能中断，从而导致多个线程把同一个对象的内容改乱了。
两个线程同时一存一取，就可能导致余额不对，你肯定不希望你的银行存款莫名其妙地变成了负数，所以，我们必须确保一个线程在修改
balance的时候，别的线程一定不能改。 如果我们要确保
balance计算正确，就要给change_it()上一把锁，当某个线程开始执行change_it()时，我们说，该线程因为获得了锁，因此其他线程不能同时执行change_it()，只能等待，直到锁被释放后，获得该锁以后才能改。由于锁只有一个，无论多少线程，同一时刻最多只有一个线程持有该锁，所以，不会造成修改的冲突。创建一个锁就是通过threading.Lock()来实现：
-
-
为线程上一把锁
#!/usr/bin/env python #-*-coding:utf-8-*- import time import threading # 假定这是你的银行存款: balance = 0 # 余额 lock = threading.Lock() def change_it(m): '''正常情况下: 存多少,取多少,金额应该不变''' global balance balance = balance + m balance = balance - m def run_thread(n): for i in range(100000): lock.acquire() try: # 放心地改吧: change_it(n) finally: # 改完了一定要释放锁: lock.release() if __name__ == "_mian__": t1 = threading.Thread(target=run_thread, args=(3,)) t2 = threading.Thread(target=run_thread, args=(4,)) t1.start() t2.start() t1.join() t2.join() print(balance)- 当多个线程同时执行
lock.acquire()时，只有一个线程能成功地获取锁，然后继续执行代码，其他线程就继续等待直到获得锁为止。 -
获得锁的线程用完后一定要释放锁，否则那些苦苦等待锁的线程将永远等待下去，成为死线程。所以我们用try...finally来确保锁一定会被释放。 - 好处： 确保了某段关键代码只能由一个线程从头到尾完整地执行，比如多线程操作数据库
- 坏处：首先是阻止了多线程并发执行，包含锁的某段代码实际上只能以单线程模式执行，效率就大大地下降了； 其次，由于可以存在多个锁，不同的线程持有不同的锁，并试图获取对方持有的锁时，可能会造成死锁，导致多个线程全部挂起，既不能执行，也无法结束，只能靠操作系统强制终止。
- 当多个线程同时执行
总结
- 如何创建一个线程？
- 使用 threading.Thread ， 参数包含 target， args， name 等
- 如何创建多线程？
- 使用 for 语句
- 什么是守护线程， 什么是主线程？
-
t.setDaemon(True)表示的是后台线程， 表示程序流程（主线程）跑完之后直接就关闭了，然后退出了，根本不管子线程是否执行完 - 默认
t.setDaemon(False), 表示前台线程，主线程执行过程中，子线程也在进行，主线程执行完毕后，等待子线程都执行完成后，程序才会停止.
-
- join() 方法 使用正确姿势: 使用线程池, 谨慎使用
- 线程锁:
threading.Lock(),解决线程间共享内存,同时对一个变量进行修改时造成数据混乱, 应用有: 比如多个多个线程对数据库同一个数据进行修改
参考
python 并发执行之多线程
Python3 多进程和多线程
