一、多线程
二、多线程编程之threading模块
2.1、使用threading进行多线程操作有两种方法：
三、多线程同步之Lock（互斥锁）
四、多线程同步之Semaphore（信号量）
五、多线程同步之Condition
六、多线程同步之Event
七、线程优先级队列（queue）
八、多线程之线程池pool
九、总结
一、多线程
线程（Thread）也称轻量级进程，是操作系统能够运行调度的最小单位，被包含在进程中，是进程中的实际运作单位。
线程自身不拥有系统资源，只拥有一些在运行中必不可少的资源，但可与同属一个进程的其他线程共享所拥有的全部资源
一个线程可以创建和撤销另一个线程，同一进程中的多个线程之间可以并发执行
- 就绪状态指线程具备运行的所有状态，逻辑上可以运行，在等待处理机
- 运行状态指线程占有处理机正在运行
-
阻塞状态指线程在等待一个事件，逻辑上不可执行
尽管GIL（全局锁 ）限制了CPython多线程在CPU密集型任务中的并行性，但Python的多线程在I/O密集型任务中依然能够发挥多核CPU的优势，通过在I/O等待期间执行其他任务来提升程序的运行效率。
实例1：计算密集型任务-多进程！！多进程！！多进程！！
from multiprocessing import Process
import os,time
# 计算密集型任务
def work():
res = 0
for i in range(100000000):
res *= i
if __name__ == '__main__':
l = []
print("本机为",os.cpu_count(),"核 CPU")
start = time.time()
for i in range(4):
p = Process(target=work) # 多进程
l.append(p)
p.start()
for p in l:
p.join()
stop = time.time()
print("计算密集型任务，多进程耗时 %s" % (stop - start))
'''
本机为 8 核 CPU
计算密集型任务，多进程耗时 5.117187976837158
'''实例1：计算密集型任务-多线程！！多线程！！多线程！！
import os,time
from threading import Thread
# 计算密集型任务
def work():
res = 0
for i in range(100000000):
res *= i
if __name__ == '__main__':
l = []
print("本机为",os.cpu_count(),"核 CPU")
start = time.time()
for i in range(4):
p = Thread(target=work) # 多线程
l.append(p)
p.start()
for p in l:
p.join()
stop = time.time()
print("计算密集型任务，多线程耗时 %s" % (stop - start))
'''
本机为 8 核 CPU
计算密集型任务，多线程耗时 14.287675857543945
'''实例2：I/O密集型任务-多进程！！多进程！！多进程！！
from multiprocessing import Process
import os,time
# I/O密集型任务
def work():
time.sleep(2)
print("===>",file=open("tmp.txt","w"))
if __name__ == '__main__':
l = []
print("本机为", os.cpu_count(), "核 CPU")
start = time.time()
for i in range(400):
p = Process(target=work) # 多进程
l.append(p)
p.start()
for p in l:
p.join()
stop = time.time()
print("I/O密集型任务，多进程耗时 %s" % (stop - start))
'''
本机为 8 核 CPU
I/O密集型任务，多进程耗时 11.03010869026184
'''实例2：I/O密集型任务-多线程！！多线程！！多线程！！
import os,time
from threading import Thread
# I/O密集型任务
def work():
time.sleep(2)
print("===>",file=open("tmp.txt","w"))
if __name__ == '__main__':
l = []
print("本机为", os.cpu_count(), "核 CPU")
start = time.time()
for i in range(400):
p = Thread(target=work) # 多线程
l.append(p)
p.start()
for p in l:
p.join()
stop = time.time()
print("I/O密集型任务，多线程耗时 %s" % (stop - start))
'''
本机为 8 核 CPU
I/O密集型任务，多线程耗时 2.0814177989959717
'''结论：在Python中，对于密集型任务，多进程占优势；对于I/O密集型任务，多线程占优势。
二、多线程编程之threading模块
Python提供多线程编程的模块有两个：thread和threading。thread模块提供低级别的基本功能来支持，提供简单的锁来确保同步（不推荐）。threading模块对_thread进行了封装，提供了更高级别，功能更强。
2.1、使用threading进行多线程操作有两种方法：
方法一：创建threading.Thread类的实例，调用其start()方法
import time
import threading
def task_thread(counter):
print(f'线程名称：{threading.current_thread().name} 参数：{counter} 开始时间：{time.strftime("%Y-%m-%d %H:%M:%S")}')
num = counter
while num:
time.sleep(3)
num -= 1
print(f'线程名称：{threading.current_thread().name} 参数：{counter} 结束时间：{time.strftime("%Y-%m-%d %H:%M:%S")}')
if __name__ == '__main__':
print(f'主线程开始时间:{time.strftime("%Y-%m-%d %H:%M:%S")}')
# 初始化三个线程，传递不同的参数
t1 = threading.Thread(target=task_thread,args=(3,))
t2 = threading.Thread(target=task_thread,args=(2,))
t3 = threading.Thread(target=task_thread,args=(1,))
# 开启三个线程
t1.start();t2.start();t3.start()
# 等待运行结束
t1.join();t2.join();t3.join()
print(f'主线程结束时间:{time.strftime("%Y-%m-%d %H:%M:%S")}')
'''
程序实例化了三个Thread类的实例，并任务函数传递不同的参数，使他们运行不同的时间后结束，start()方法开启线程，join()方法阻塞主线程，等待当前线程运行结束。
'''方法二：继承Thread类，在子类中重写run()和init()方法*（了解---）
import time
import threading
class MyThread(threading.Thread):
def __init__(self,counter):
super().__init__()
self.counter = counter
def run(self):
print(
f'线程名称：{threading.current_thread().name} 参数：{self.counter} 开始时间：{time.strftime("%Y-%m-%d %H:%M:%S")}')
counter = self.counter
while counter:
time.sleep(3)
counter -= 1
print(
f'线程名称：{threading.current_thread().name} 参数：{self.counter} 结束时间：{time.strftime("%Y-%m-%d %H:%M:%S")}')
if __name__ == '__main__':
print(f'主线程开始时间:{time.strftime("%Y-%m-%d %H:%M:%S")}')
# 初始化三个线程，传递不同的参数
t1 = MyThread(3)
t2 = MyThread(2)
t3 = MyThread(1)
# 开启三个线程
t1.start();t2.start();t3.start()
# 等待运行结束
t1.join();t2.join();t3.join()
print(f'主线程结束时间:{time.strftime("%Y-%m-%d %H:%M:%S")}')如果继承Thread类，想要调用外部函数：
import time
import threading
def task_thread(counter):
print(
f'线程名称：{threading.current_thread().name} 参数：{counter} 开始时间：{time.strftime("%Y-%m-%d %H:%M:%S")}')
num = counter
while num:
time.sleep(3)
num -= 1
print(
f'线程名称：{threading.current_thread().name} 参数：{counter} 结束时间：{time.strftime("%Y-%m-%d %H:%M:%S")}')
class MyThread(threading.Thread):
def __init__(self,target,args):
super().__init__()
self.args = args
self.target = target
def run(self):
self.target(*self.args)
if __name__ == '__main__':
print(f'主线程开始时间:{time.strftime("%Y-%m-%d %H:%M:%S")}')
# 初始化三个线程，传递不同的参数
t1 = MyThread(target=task_thread,args=(3,))
t2 = MyThread(target=task_thread,args=(2,))
t3 = MyThread(target=task_thread,args=(1,))
# 开启三个线程
t1.start();t2.start();t3.start()
# 等待运行结束
t1.join();t2.join();t3.join()
print(f'主线程结束时间:{time.strftime("%Y-%m-%d %H:%M:%S")}')三、多线程同步之Lock（互斥锁）
如果多个线程共同对某个数据修改，则可能出现不可预料的结果，这个时候就需要使用互斥锁来进行同步。例如：在三个线程对共同变量num进行100万次加减操作后，其num的结果不为0
不加锁的意外情况：
import time,threading
num = 0
def task_thread(n):
global num
for i in range(1000000):
num = num + n
num = num - n
t1 = threading.Thread(target=task_thread,args=(6,))
t2 = threading.Thread(target=task_thread,args=(17,))
t3 = threading.Thread(target=task_thread,args=(11,))
t1.start();t2.start();t3.start()
t1.join();t2.join();t3.join()
print(num)
'''
6
'''使用互斥锁对多个线程进行同步，限制当一个线程正在访问数据时，其他只能等待，直到前一线程释放锁。
使用threading.Thread对象的Lock和Rlock可以实现简单的线程同步，都有acquire和release方法。
# 加互斥锁后运行结果始终一致
import time,threading
num = 0
lock = threading.Lock()
def task_thread(n):
global num
# 获取锁，用于线程同步
lock.acquire()
for i in range(1000000):
num = num + n
num = num - n
# 释放锁，开启下一个线程
lock.release()
t1 = threading.Thread(target=task_thread,args=(6,))
t2 = threading.Thread(target=task_thread,args=(17,))
t3 = threading.Thread(target=task_thread,args=(11,))
t1.start();t2.start();t3.start()
t1.join();t2.join();t3.join()
print(num)四、多线程同步之Semaphore（信号量）
互斥锁是只允许一个线程访问共享数据，而信号量是同时运行一定数量的线程访问共享数据，比如银行柜台有5个窗口，运行同时有5个人办理业务，后面的人只能等待其完成。
# 使用信号量控制并发
import threading
import time
# 银行柜台窗口数量
NUM_WINDOWS = 5
# 用于控制窗口访问的信号量
semaphore = threading.Semaphore(NUM_WINDOWS)
# 客户办理业务的函数
def customer(name, service_time):
# 尝试获取信号量
semaphore.acquire()
print(f"{time.ctime()}: {name} 开始办理业务")
time.sleep(service_time) # 模拟办理业务的时间
print(f"{time.ctime()}: {name} 办理业务完成")
semaphore.release() # 释放信号量
# 创建客户线程列表
customers = []
for i in range(12):
name = f"客户{i+1}"
service_time = 3 # 假设每个客户办理业务需要1秒时间
thread = threading.Thread(target=customer, args=(name, service_time))
customers.append(thread)
# 启动所有客户线程
for customer in customers:
customer.start()
# 等待所有客户完成业务
for customer in customers:
customer.join()
print("所有客户都办理完业务了。")上述代码实现了同一时刻只有5个线程获得资源运行
五、多线程同步之Condition
条件对象Condition能让一个线程A停下来，等待其他线程B，线程B满足了某个条件后通知线程A继续运行。步骤：
线程首先获取一个条件变量锁，如果条件不足，则该线程等待（wait）并释放条件变量锁；如果条件满足，就继续执行线程，执行完成后可以通知（notify）其他状态为wait的线程执行。其他处于wait状态的线程接到通知后会重新判断条件来确定是否继续执行
import threading
class Boy(threading.Thread):
def __init__(self,cond,name):
super(Boy,self).__init__()
self.cond = cond
self.name = name
def run(self):
self.cond.acquire()
print(self.name + ":嫁给我吧！？")
self.cond.notify() # 唤醒一个挂起的线程，让hanmeimei表态
self.cond.wait() # 释放内部所占用的锁，同时线程被挂起，直至接收到通知被唤醒或超时，等待heimeimei回答
print(self.name + ": 我单膝下跪，送上戒指！")
self.cond.notify()
self.cond.wait()
print(self.name + ": lI太太，你的选择太明智了。")
self.cond.release()
class Girl(threading.Thread):
def __init__(self,cond,name):
super(Girl,self).__init__()
self.cond = cond
self.name = name
def run(self):
self.cond.acquire()
self.cond.wait() # 等待Lilei求婚
print(self.name + ": 没有情调，不够浪漫，不答应")
self.cond.notify()
self.cond.wait()
print(self.name + ": 好吧，答应你了")
self.cond.notify()
self.cond.release()
cond = threading.Condition()
boy = Boy(cond,"LiLei")
girl = Girl(cond,"HanMeiMei")
girl.start()
boy.start()六、多线程同步之Event
事件用于线程之间的通信。一个线程发出一个信号，其他一个或多个线程等待，调用Event对象的wait方法，线程则会阻塞等待，直到别的线程set之后才会被唤醒。与上述类似
import threading
import time
class Boy(threading.Thread):
def __init__(self,cond,name):
super(Boy,self).__init__()
self.cond = cond
self.name = name
def run(self):
print(self.name + ":嫁给我吧！？")
self.cond.set() # 唤醒一个挂起的线程，让hanmeimei表态
time.sleep(0.5)
self.cond.wait() # 释放内部所占用的锁，同时线程被挂起，直至接收到通知被唤醒或超时，等待heimeimei回答
print(self.name + ": 我单膝下跪，送上戒指！")
self.cond.set()
time.sleep(0.5)
self.cond.wait()
self.cond.clear()
print(self.name + ": lI太太，你的选择太明智了。")
class Girl(threading.Thread):
def __init__(self,cond,name):
super(Girl,self).__init__()
self.cond = cond
self.name = name
def run(self):
self.cond.wait() # 等待Lilei求婚
self.cond.clear()
print(self.name + ": 没有情调，不够浪漫，不答应")
self.cond.set()
time.sleep(0.5)
self.cond.wait()
print(self.name + ": 好吧，答应你了")
self.cond.set()
cond = threading.Event()
boy = Boy(cond,"LiLei")
girl = Girl(cond,"HanMeiMei")
girl.start()
boy.start()七、线程优先级队列（queue）
Python的queue模块中提供了同步的、线程安全的队列类，包括先进先出队列Queue、后进先出队列LifoQueue和优先级队列PriorityQueue。这些队列都实现了锁原语，可以直接使用来实现线程之间的同步。
'''
有一小冰箱用来存放冷饮，假如只能放5瓶冷饮，A不停地放冷饮，B不停的取冷饮，A和B的放取速度不一致，如何保持同步呢？
'''
import threading,time
import queue
# 先进先出
q = queue.Queue(maxsize=5)
# q = LifoQuere(maxsize=3)
# q = PriorityQueue(maxsize=3)
def ProducerA():
count = 1
while True:
q.put(f"冷饮 {count}")
print(f"{time.strftime('%H:%M:%S')} A 放入：[冷饮 {count}]")
count += 1
time.sleep(2)
def ConsumerB():
while True:
print(f"{time.strftime('%H:%M:%S')} B 取出：{q.get()}")
time.sleep(5)
p = threading.Thread(target=ProducerA)
c = threading.Thread(target=ConsumerB)
p.start()
c.start()八、多线程之线程池pool
将 任务添加到线程池中，线程池会自动指定一个空闲的线程去执行任务，当超过线程池的最大线程数时，任务需要等待有新的空闲线程后才会被执行。
使用threading模块及queue模块定制线程池，可以使用multiprocessing。
-
from multiprocessing import Pool导入的是进程池
-
from multiprocessing.dummy import Pool导入的是线程池
'''
模拟一个耗时2秒的任务，比较其顺序执行5次和线程池（并发数为5）执行的耗时。
'''
from multiprocessing.dummy import Pool as ThreadPool
import time
def fun(n):
time.sleep(2)
start = time.time()
for i in range(5):
fun(i)
print("单线程顺序执行耗时：",time.time() - start)
start2 = time.time()
# 开8个worker，没有参数时默认是cpu的核心数
pool = ThreadPool(processes=5)
# 在线程中执行urllib2.urlopen(url)并返回执行结果
results2 = pool.map(fun,range(5))
pool.close()
pool.join()
print("线程池（5）并发执行耗时：",time.time() - start2)
'''
单线程顺序执行耗时： 10.041245937347412
线程池（5）并发执行耗时： 2.0453202724456787
'''九、总结
- Python多线程适合用在I/O密集型任务中。
- 对于I/O密集型任务来说，较少时间用在CPU计算上，较多时间用在I/O上，如文件读写、web请求、数据库请求等
-
对于计算密集型任务，应该使用多进程
![[机器学习系列]深入探索回归决策树：从参数选择到模型可视化](https://img-blog.csdnimg.cn/direct/9df745e515bf470a80af295fad4105a2.png)
![【Linux】-Linux用户和权限[3]](https://img-blog.csdnimg.cn/direct/7c50269125da44a2a0a53ce32467b50f.png)
