Über Python-Thread-Lernaufzeichnungen

Einführung und Motivation

Stellen Sie sich dieses Szenario vor. Wir müssen 10.000 Daten verarbeiten. Die Verarbeitung jedes Datenelements dauert jedoch nur 0,1 Sekunden Daten stören sich nicht gegenseitig. Wie kann es in kürzester Zeit umgesetzt werden?

Vor dem Aufkommen von Multithreading (MT) Programmierung, Computer Programme Ein Lauf besteht aus einer Ausführungssequenz, die sequentiell auf der Zentraleinheit (CPU) des Hosts ausgeführt wird, unabhängig davon, ob die Aufgabe selbst eine sequenzielle Ausführung erfordert oder das gesamte Programm aus mehreren Unteraufgaben besteht. Dies gilt auch dann, wenn die Unteraufgaben unabhängig voneinander sind andere (das heißt, das Ergebnis einer Unteraufgabe hat keinen Einfluss auf die Ergebnisse von anderen Unteraufgaben). = 11000 Sekunden.

Ist es für uns möglich, mehrere Daten gleichzeitig abzurufen? 🎜>

Für Aufgaben, die asynchroner Natur sind, kann die laufende Reihenfolge jeder Transaktion sein. Für unsichere, zufällige und unvorhersehbare Probleme ist Multithreading die ideale Lösung. Solche Aufgaben können in mehrere Ausführungsströme unterteilt werden, die jeder Strom hat ein zu erreichendes Ziel, und dann werden die Ergebnisse zusammengeführt.

Threads und Prozesse

Was ist ein Prozess?

Ein Prozess (manchmal auch als Schwergewicht bezeichnet). Prozess) ist eine Ausführung eines Programms, seines eigenen Speichers, seines Datenstapels und anderer Hilfsdaten, die seine laufende Trajektorie aufzeichnen und diesen Prozessen gerecht zuteilen können 🎜>für

. k- und Spawn-Vorgänge zur Erledigung anderer Aufgaben. Allerdings verfügt jeder Prozess über seinen eigenen Speicherplatz, Datenstapel usw., sodass er nur die Interprozesskommunikation (IPC) verwenden und keine Informationen direkt austauschen kann.

Was ist ein Thread 🎜>Threads (manchmal auch als Lightweight-Prozesse bezeichnet) ähneln Prozessen. Der Unterschied besteht darin, dass alle Threads im selben Prozess ausgeführt werden und dieselbe Laufumgebung nutzen können Stellen Sie sich die parallel im Thread „Hauptthread“ ausgeführten „Miniprozesse“ vor. Der Status ist in der Abbildung dargestellt

Threads werden nacheinander gestartet und ausgeführt, und das Ende der drei Teile verfügt über einen eigenen Befehlszeiger, um die Ausführung des Threads zu unterbrechen (unterbrochen) oder vorübergehend anzuhalten (auch Ruhezustand genannt). Die Ausführung von Threads wird als Konzession bezeichnet, sodass Threads bequemer Daten austauschen und miteinander kommunizieren können Threads greifen gemeinsam auf dasselbe Datenelement zu. Die Datenzugriffsreihenfolge kann unterschiedlich sein, was zu Inkonsistenzen in den Datenergebnissen führen kann. Dies wird als Rennbedingung bezeichnet.

Threads werden im Allgemeinen gleichzeitig ausgeführt, aber in einem Einzel-CPU-System ist eine echte Parallelität nicht möglich. Jeder Thread wird jeweils nur für kurze Zeit ausgeführt und lässt dann die CPU los und andere Threads laufen lassen. Da einige -Funktionen

ohne besondere Modifikationen für Multithreading vor ihrer Fertigstellung blockieren, wird diese „gierige“ Funktion die CPU-Zeitzuteilung beeinträchtigen. Infolgedessen ist die jedem Thread zugewiesene Laufzeit möglicherweise nicht dieselbe, was unfair ist.

Python, Threads und globale Interpretersperre

Globale Interpretersperre (GIL)

Das erste, was klargestellt werden muss, ist, dass GIL keine Funktion von Python ist, sondern implementiert ist Ein vom Python-Parser (CPython) eingeführtes Konzept. Genau wie C++ handelt es sich um eine Reihe von Sprach-(Grammatik-)Standards, die jedoch mit verschiedenen Compilern in ausführbaren Code kompiliert werden können. Derselbe Code kann über verschiedene Python-Ausführungsumgebungen wie CPython, PyPy und Psyco ausgeführt werden (JPython verfügt unter anderem über keine GIL).

Was ist also die GIL in der CPython-Implementierung? Der vollständige Name von GIL lautet Global Interpreter Lock. Um Irrtümer zu vermeiden, werfen wir einen Blick auf die offizielle Erklärung:

In CPython ist die globale Interpretersperre oder GIL ein Mutex, der

prev

verhindert die gleichzeitige Ausführung von Python-Bytecodes durch mehrere native Threads. Diese Sperre ist

hauptsächlich

notwendig, weil die Speicherverwaltung von CPython nicht threadsicher ist gewachsen, um

Ende

von den Garantien abzuhängen, die es durchsetzt.)

Obwohl Python die Multithread-Programmierung vollständig unterstützt, ist die Implementierung des Interpreters in der C-Sprache nicht Thread-sicher , wenn sie in vollständiger Parallelität ausgeführt wird. Tatsächlich ist der Interpreter durch eine globale Interpretersperre geschützt, die sicherstellt, dass immer nur ein Python-Thread ausgeführt wird.

In einer Multithread-Umgebung wird die virtuelle Python-Maschine wie folgt ausgeführt:

1. GIL einrichten

2. Schalter zu einem Thread Um die

3. auszuführen, führen Sie die

• angegebene Anzahl von Bytecode-Anweisungen

Thread Geben Sie aktiv die Kontrolle auf (Sie können
• time

  .sleep(0) aufrufen)

Thread in den Ruhezustand versetzen

GIL entsperren

Wiederholen Sie die obigen Schritte noch einmal

Für alle I/O-orientierten (will Integrierte Operationen aufrufen (für System-C-Code-Programme) wird die GIL vor diesem E/A-Aufruf freigegeben, sodass andere Threads ausgeführt werden können, während dieser Thread auf E/A wartet. Wenn ein Thread nicht viele E/A-Vorgänge verwendet, belegt er den Prozessor (und GIL) für seine eigene Zeitscheibe. Das heißt, E/A-intensive Python-Programme können die Vorteile einer Multithread-Umgebung besser ausnutzen als rechenintensive Programme.

Thread beendenWenn ein Thread mit der Berechnung fertig ist, wird er beendet. Ein Thread kann eine Exit-Funktion wie thread.exit() aufrufen oder die Standardmethoden von Python zum Beenden eines Prozesses verwenden, wie beispielsweise sys.exit() oder eine SystemExit-Ausnahme auslösen. Sie können einen Thread jedoch nicht direkt „killen“.

Threads in Python verwenden

Python unterstützt Multithread-Programmierung bei der Ausführung auf den meisten Unix-ähnlichen Systemen wie Win32 und

Linux

, Solaris, MacOS, *BSD. Python verwendet POSIX-kompatible Threads, sogenannte Pthreads. Standardmäßig, solange im Interpreter

Wenn kein Fehler gemeldet wird, ist der Thread verfügbar.

>> import thread

Pythons Threading-Modul

Python bietet mehrere Module für die Multithread-Programmierung, darunter Thread, Threading und Queue. Mit den Thread- und Threading-Modulen können Programmierer Threads erstellen und verwalten. Das Thread-Modul bietet grundlegende Thread- und Sperrunterstützung, während Threading leistungsfähigere Thread-Verwaltungsfunktionen auf höherer Ebene bereitstellt. Mit dem Queue-Modul können Benutzer eine

Queue

-Datenstruktur erstellen, die zum Teilen von Daten zwischen mehreren Threads verwendet werden kann. Kerntipp: Vermeiden Sie die Verwendung des Thread-Moduls

Aufgrund der folgenden Überlegungen empfehlen wir Ihnen nicht, das Thread-Modul zu verwenden.

Threading-Module auf höherer Ebene sind fortgeschrittener und bieten eine umfassendere Unterstützung für Threads. Die Verwendung der
1. Attribute

   im Thread-Modul kann zu Konflikten mit dem Threading führen. Zweitens verfügt das Low-Level-Thread-Modul über sehr wenige Synchronisationsprimitive (eigentlich nur eines), während das Threading-Modul über viele verfügt.

Sie haben absolut keine Kontrolle darüber, wann Ihr Prozess enden soll. Wenn der Haupt-Thread endet, werden alle Threads ohne Vorwarnung oder normale Bereinigung zwangsweise beendet. Wie bereits erwähnt, kann zumindest das Threading-Modul sicherstellen, dass der Prozess beendet wird, nachdem wichtige untergeordnete Threads beendet wurden.
Thread-Modul

Zusätzlich zum Generieren von Threads bietet das Thread-Modul auch grundlegende Synchronisationsdatenstrukturen lock

object

(lock object, auch primitive Sperre, einfache Sperre, Mutex-Sperre, Mutex, binäres Semaphor genannt). Thread-Modulfunktion

start_
• new

  _thread(function, args, kwargs=None): Erzeuge einen neuen Thread im neuen Thread. Rufen Sie dies auf Funktion mit den angegebenen Argumenten und optionalen kwargs.

• all

  ocate_lock(): Weisen Sie ein Sperrobjekt vom Typ LockType zu

exit(): Lassen Sie den Thread beenden
acquire(wait=None): Versuchen Sie, das Sperrobjekt abzurufen
locked(): Gibt True zurück, wenn das Sperrobjekt erfasst wird. andernfalls geben Sie False zurück
release(): Sperre aufheben
Das Folgende ist ein Beispiel für die Verwendung von Thread:

start_new_thread() Anforderung Die ersten beiden Parameter müssen vorhanden sein. Selbst wenn die Funktion, die wir ausführen möchten, keine Parameter benötigt, müssen wir dennoch ein leeres Tupel übergeben.

import thread
from time import sleep, time


def loop(num):
    print('start loop at:', time())
    sleep(num)
    print('loop done at:', time())


def loop1(num):
    print('start loop 1 at:', time())
    sleep(num)
    print('loop 1 done at:', time())


def main():
    print('starting at:', time())
    thread.start_new_thread(loop, (4,))
    thread.start_new_thread(loop1, (5,))
    sleep(6)
    print('all DONE at:', time())

if name == 'main':
    main()

('starting at:', 1489387024.886667)
('start loop at:', 1489387024.88705)
('start loop 1 at:', 1489387024.887277)
('loop done at:', 1489387028.888182)
('loop 1 done at:', 1489387029.888904)
('all DONE at:', 1489387030.889918)

Warum fügen wir den Satz „sleep(6)“ hinzu? Denn wenn wir den Hauptthread nicht stoppen, führt der Hauptthread die nächste Anweisung aus, zeigt „alles erledigt“ an und schließt dann die laufende Schleife() Die beiden Threads von loop1() und loop1() wurden beendet.

我们有没有更好的办法替换使用sleep() 这种不靠谱的同步方式呢？答案是使用锁，使用了锁，我们就可以在两个线程都退出之后马上退出。

#! -*- coding: utf-8 -*-

import thread
from time import sleep, time

loops = [4, 2]

def loop(nloop, nsec, lock):
    print('start loop %s at: %s' % (nloop, time()))
    sleep(nsec)
    print('loop %s done at: %s' % (nloop, time()))
    # 每个线程都会被分配一个事先已经获得的锁，在 sleep()的时间到了之后就释放 相应的锁以通知主线程，这个线程已经结束了。
    lock.release()


def main():
    print('starting at:', time())
    locks = []
    nloops = range(len(loops))

    for i in nloops:
        # 调用 thread.allocate_lock()函数创建一个锁的列表
        lock = thread.allocate_lock()
        # 分别调用各个锁的 acquire()函数获得, 获得锁表示“把锁锁上”
        lock.acquire()
        locks.append(lock)

    for i in nloops:
        # 创建线程，每个线程都用各自的循环号，睡眠时间和锁为参数去调用 loop()函数
        thread.start_new_thread(loop, (i, loops[i], locks[i]))

    for i in nloops:
        # 在线程结束的时候，线程要自己去做解锁操作
        # 当前循环只是坐在那一直等(达到暂停主 线程的目的)，直到两个锁都被解锁为止才继续运行。
        while locks[i].locked(): pass

    print('all DONE at:', time())

if name == 'main':
    main()

为什么我们不在创建锁的循环里创建线程呢?有以下几个原因:

1. 我们想到实现线程的同步，所以要让“所有的马同时冲出栅栏”。

2. 获取锁要花一些时间，如果你的 线程退出得“太快”，可能会导致还没有获得锁，线程就已经结束了的情况。

threading 模块

threading 模块不仅提供了 Thread 类，还 供了各 种非常好用的同步机制。

下面是threading 模块里所有的对象：

1. Thread： 表示一个线程的执行的对象

2. Lock： 锁原语对象(跟 thread 模块里的锁对象相同)

3. RLock： 可重入锁对象。使单线程可以再次获得已经获得了的锁(递归锁定)。

4. Condition： 条件变量对象能让一个线程停下来，等待其它线程满足了某个“条件”。 如，状态的改变或值的改变。

5. Event： 通用的条件变量。多个线程可以等待某个事件的发生，在事件发生后， 所有的线程都会被激活。

6. Semaphore： 为等待锁的线程 供一个类似“等候室”的结构

7. BoundedSemaphore： 与 Semaphore 类似，只是它不允许超过初始值

8. Timer： 与 Thread 相似，只是，它要等待一段时间后才开始运行。

守护线程

另一个避免使用 thread 模块的原因是，它不支持守护线程。当主线程退出时，所有的子线程不 论它们是否还在工作，都会被强行退出。有时，我们并不期望这种行为，这时，就引入了守护线程 的概念
threading 模块支持守护线程，它们是这样工作的:守护线程一般是一个等待客户请求的服务器， 如果没有客户 出请求，它就在那等着。如果你设定一个线程为守护线程，就表示你在说这个线程 是不重要的，在进程退出的时候，不用等待这个线程退出。
如果你的主线程要退出的时候，不用等待那些子线程完成，那就设定这些线程的 daemon 属性。 即，在线程开始(调用 thread.start())之前，调用 setDaemon()函数设定线程的 daemon 标志 (thread.setDaemon(True))就表示这个线程“不重要”
如果你想要等待子线程完成再退出，那就什么都不用做，或者显式地调用 thread.setDaemon(False)以保证其 daemon 标志为 False。你可以调用 thread.isDaemon()函数来判 断其 daemon 标志的值。新的子线程会继承其父线程的 daemon 标志。整个 Python 会在所有的非守护 线程退出后才会结束,即进程中没有非守护线程存在的时候才结束。

Thread 类

Thread类提供了以下方法:

• run(): 用以表示线程活动的方法。

• start():启动线程活动。

• join([time]): 等待至线程中止。这阻塞调用线程直至线程的join() 方法被调用中止-正常退出或者抛出未处理的异常-或者是可选的超时发生。

• is_alive(): 返回线程是否活动的。

• name(): 设置/返回线程名。

• daemon(): 返回/设置线程的 daemon 标志，一定要在调用 start()函数前设置

用 Thread 类，你可以用多种方法来创建线程。我们在这里介绍三种比较相像的方法。

• 创建一个Thread的实例，传给它一个函数

• 创建一个Thread的实例，传给它一个可调用的类对象

• 从Thread派生出一个子类，创建一个这个子类的实例

下边是三种不同方式的创建线程的示例：

#! -*- coding: utf-8 -*-

# 创建一个Thread的实例，传给它一个函数

import threading
from time import sleep, time

loops = [4, 2]

def loop(nloop, nsec, lock):
    print('start loop %s at: %s' % (nloop, time()))
    sleep(nsec)
    print('loop %s done at: %s' % (nloop, time()))
    # 每个线程都会被分配一个事先已经获得的锁，在 sleep()的时间到了之后就释放 相应的锁以通知主线程，这个线程已经结束了。


def main():
    print('starting at:', time())
    threads = []
    nloops = range(len(loops))

    for i in nloops:
        t = threading.Thread(target=loop, args=(i, loops[i]))
        threads.append(t)

    for i in nloops:
        # start threads
        threads[i].start()

    for i in nloops:
        # wait for all
        # join()会等到线程结束，或者在给了 timeout 参数的时候，等到超时为止。
        # 使用 join()看上去 会比使用一个等待锁释放的无限循环清楚一些(这种锁也被称为"spinlock")
        threads[i].join()  # threads to finish

    print('all DONE at:', time())

if name == 'main':
    main()

与传一个函数很相似的另一个方法是在创建线程的时候，传一个可调用的类的实例供线程启动 的时候执行——这是多线程编程的一个更为面向对象的方法。相对于一个或几个函数来说，由于类 对象里可以使用类的强大的功能，可以保存更多的信息，这种方法更为灵活

#! -*- coding: utf-8 -*-

# 创建一个 Thread 的实例，传给它一个可调用的类对象

from threading import Thread
from time import sleep, time


loops = [4, 2]


class ThreadFunc(object):

    def init(self, func, args, name=""):
        self.name = name
        self.func = func
        self.args = args

    def call(self):
        # 创建新线程的时候，Thread 对象会调用我们的 ThreadFunc 对象，这时会用到一个特殊函数 call()。
        self.func(*self.args)


def loop(nloop, nsec):
    print('start loop %s at: %s' % (nloop, time()))
    sleep(nsec)
    print('loop %s done at: %s' % (nloop, time()))


def main():
    print('starting at:', time())
    threads = []
    nloops = range(len(loops))

    for i in nloops:
        t = Thread(target=ThreadFunc(loop, (i, loops[i]), loop.name))
        threads.append(t)

    for i in nloops:
        # start threads
        threads[i].start()

    for i in nloops:
        # wait for all
        # join()会等到线程结束，或者在给了 timeout 参数的时候，等到超时为止。
        # 使用 join()看上去 会比使用一个等待锁释放的无限循环清楚一些(这种锁也被称为"spinlock")
        threads[i].join()  # threads to finish

    print('all DONE at:', time())


if name == 'main':
    main()

最后一个例子介绍如何子类化 Thread 类，这与上一个例子中的创建一个可调用的类非常像。使 用子类化创建线程(第 29-30 行)使代码看上去更清晰明了。

#! -*- coding: utf-8 -*-

# 创建一个 Thread 的实例，传给它一个可调用的类对象

from threading import Thread
from time import sleep, time


loops = [4, 2]


class MyThread(Thread):

    def init(self, func, args, name=""):
        super(MyThread, self).init()
        self.name = name
        self.func = func
        self.args = args

    def getResult(self):
        return self.res

    def run(self):
        # 创建新线程的时候，Thread 对象会调用我们的 ThreadFunc 对象，这时会用到一个特殊函数 call()。
        print 'starting', self.name, 'at:', time()
        self.res = self.func(*self.args)
        print self.name, 'finished at:', time()



def loop(nloop, nsec):
    print('start loop %s at: %s' % (nloop, time()))
    sleep(nsec)
    print('loop %s done at: %s' % (nloop, time()))


def main():
    print('starting at:', time())
    threads = []
    nloops = range(len(loops))

    for i in nloops:
        t = MyThread(loop, (i, loops[i]), loop.name)
        threads.append(t)

    for i in nloops:
        # start threads
        threads[i].start()

    for i in nloops:
        # wait for all
        # join()会等到线程结束，或者在给了 timeout 参数的时候，等到超时为止。
        # 使用 join()看上去 会比使用一个等待锁释放的无限循环清楚一些(这种锁也被称为"spinlock")
        threads[i].join()  # threads to finish

    print('all DONE at:', time())


if name == 'main':
    main()

除了各种同步对象和线程对象外，threading 模块还 供了一些函数。

• active_count(): 当前活动的线程对象的数量

• current_thread(): 返回当前线程对象

• enumerate(): 返回当前活动线程的列表

• settrace(func): 为所有线程设置一个跟踪函数

• setprofile(func): 为所有线程设置一个 profile 函数

Lock & RLock

原语锁定是一个同步原语，状态是锁定或未锁定。两个方法acquire()和release() 用于加锁和释放锁。
RLock 可重入锁是一个类似于Lock对象的同步原语，但同一个线程可以多次调用。

Lock 不支持递归加锁，也就是说即便在同 线程中，也必须等待锁释放。通常建议改  RLock， 它会处理 "owning thread" 和 "recursion level" 状态，对于同 线程的多次请求锁 为，只累加
计数器。每次调 release() 将递减该计数器，直到 0 时释放锁，因此 acquire() 和 release() 必须 要成对出现。

from time import sleep
from threading import current_thread, Thread

lock = Rlock()

def show():
    with lock:
        print current_thread().name, i
        sleep(0.1)

def test():
    with lock:
        for i in range(3):
            show(i)

for i in range(2):
    Thread(target=test).start()

Event

事件用于在线程间通信。一个线程发出一个信号，其他一个或多个线程等待。
Event 通过通过 个内部标记来协调多线程运 。 法 wait() 阻塞线程执 ，直到标记为 True。 set() 将标记设为 True，clear() 更改标记为 False。isSet() 用于判断标记状态。

from threading import Event

def test_event():
    e = Event()
    def test():
        for i in range(5):
            print 'start wait'
            e.wait()
            e.clear()  # 如果不调用clear()，那么标记一直为 True，wait()就不会发生阻塞行为
            print i
Thread(target=test).start()
return e


e = test_event()

Condition

条件变量和 Lock 参数一样，也是一个，也是一个同步原语，当需要线程关注特定的状态变化或事件的发生时使用这个锁定。

可以认为，除了Lock带有的锁定池外，Condition还包含一个等待池，池中的线程处于状态图中的等待阻塞状态，直到另一个线程调用notify()/notifyAll()通知；得到通知后线程进入锁定池等待锁定。

构造方法：
Condition([lock/rlock])

Condition 有以下这些方法：

• acquire([timeout])/release(): 调用关联的锁的相应方法。

• wait([timeout]): 调用这个方法将使线程进入Condition的等待池等待通知，并释放锁。使用前线程必须已获得锁定，否则将抛出异常。

• notify(): 调用这个方法将从等待池挑选一个线程并通知，收到通知的线程将自动调用acquire()尝试获得锁定（进入锁定池）；其他线程仍然在等待池中。调用这个方法不会释放锁定。使用前线程必须已获得锁定，否则将抛出异常。

• notifyAll(): 调用这个方法将通知等待池中所有的线程，这些线程都将进入锁定池尝试获得锁定。调用这个方法不会释放锁定。使用前线程必须已获得锁定，否则将抛出异常。

from threading import Condition, current_thread, Thread

con = Condition()

def tc1():
    with con:
        for i in range(5):
            print current_thread().name, i
            sleep(0.3)
            if i == 3:
                con.wait()


def tc2():
    with con:
        for i in range(5):
            print current_thread().name, i
            sleep(0.1)
            con.notify()

Thread(target=tc1).start()
Thread(target=tc2).start()

Thread-1 0
Thread-1 1
Thread-1 2
Thread-1 3    # 让出锁
Thread-2 0
Thread-2 1
Thread-2 2
Thread-2 3
Thread-2 4
Thread-1 4    # 重新获取锁，继续执

只有获取锁的线程才能调用 wait() 和 notify()，因此必须在锁释放前调用。
当 wait() 释放锁后，其他线程也可进入 wait 状态。notifyAll() 激活所有等待线程，让它们去抢锁然后完成后续执行。

生产者-消费者问题和 Queue 模块

现在我们用一个经典的(生产者消费者)例子来介绍一下 Queue模块。

生产者消费者的场景是： 生产者生产货物，然后把货物放到一个队列之类的数据结构中，生产货物所要花费的时间无法预先确定。消费者消耗生产者生产的货物的时间也是不确定的。

常用的 Queue 模块的属性:

• queue(size): 创建一个大小为size的Queue对象。

• qsize(): 返回队列的大小(由于在返回的时候，队列可能会被其它线程修改，所以这个值是近似值)

• empty(): 如果队列为空返回 True，否则返回 False

• full(): 如果队列已满返回 True，否则返回 False

• put(item,block=0): 把item放到队列中，如果给了block(不为0)，函数会一直阻塞到队列中有空间为止

• get(block=0): 从队列中取一个对象，如果给了 block(不为 0)，函数会一直阻塞到队列中有对象为止

Queue 模块可以用来进行线程间通讯，让各个线程之间共享数据。

现在，我们创建一个队列，让 生产者(线程)把新生产的货物放进去供消费者(线程)使用。

#! -*- coding: utf-8 -*-

from Queue import Queue
from random import randint
from time import sleep, time
from threading import Thread


class MyThread(Thread):

    def init(self, func, args, name=""):
        super(MyThread, self).init()
        self.name = name
        self.func = func
        self.args = args

    def getResult(self):
        return self.res

    def run(self):
        # 创建新线程的时候，Thread 对象会调用我们的 ThreadFunc 对象，这时会用到一个特殊函数 call()。
        print 'starting', self.name, 'at:', time()
        self.res = self.func(*self.args)
        print self.name, 'finished at:', time()


# writeQ()和 readQ()函数分别用来把对象放入队列和消耗队列中的一个对象。在这里我们使用 字符串'xxx'来表示队列中的对象。
def writeQ(queue):
    print 'producing object for Q...'
    queue.put('xxx', 1)
    print "size now", queue.qsize()


def readQ(queue):
    queue.get(1)
    print("consumed object from Q... size now", queue.qsize())


def writer(queue, loops):
    # writer()函数只做一件事，就是一次往队列中放入一个对象，等待一会，然后再做同样的事
    for i in range(loops):
        writeQ(queue)
        sleep(1)


def reader(queue, loops):
    # reader()函数只做一件事，就是一次从队列中取出一个对象，等待一会，然后再做同样的事
    for i in range(loops):
        readQ(queue)
        sleep(randint(2, 5))


# 设置有多少个线程要被运行
funcs = [writer, reader]
nfuncs = range(len(funcs))


def main():
    nloops = randint(10, 20)
    q = Queue(32)
    threads = []

    for i in nfuncs:
        t = MyThread(funcs[i], (q, nloops), funcs[i].name)
        threads.append(t)

    for i in nfuncs:
        threads[i].start()

    for i in nfuncs:
        threads[i].join()
        print threads[i].getResult()

    print 'all DONE'


if name == 'main':
    main()

FAQ

进程与线程。线程与进程的区别是什么?

进程(有时被称为重量级进程)是程序的一次 执行。每个进程都有自己的地址空间，内存，数据栈以及其它记录其运行轨迹的辅助数据。
线程(有时被称为轻量级进程)跟进程有些相似，不同的是，所有的线程运行在同一个进程中， 共享相同的运行环境。它们可以想像成是在主进程或“主线程”中并行运行的“迷你进程”。

这篇文章很好的解释了 线程和进程的区别，推荐阅读: http://www.ruanyifeng.com/blo...

Python 的线程。在 Python 中，哪一种多线程的程序表现得更好，I/O 密集型的还是计算 密集型的?

由于GIL的缘故，对所有面向 I/O 的(会调用内建的操作系统 C 代码的)程序来说，GIL 会在这个 I/O 调用之 前被释放，以允许其它的线程在这个线程等待 I/O 的时候运行。如果某线程并未使用很多 I/O 操作， 它会在自己的时间片内一直占用处理器(和 GIL)。也就是说，I/O 密集型的 Python 程序比计算密集 型的程序更能充分利用多线程环境的好处。

线程。你认为，多 CPU 的系统与一般的系统有什么大的不同?多线程的程序在这种系统上的表现会怎么样?

Python的线程就是C语言的一个pthread，并通过操作系统调度算法进行调度（例如linux是CFS）。为了让各个线程能够平均利用CPU时间，python会计算当前已执行的微代码数量，达到一定阈值后就强制释放GIL。而这时也会触发一次操作系统的线程调度（当然是否真正进行上下文切换由操作系统自主决定）。
伪代码

while True:
    acquire GIL
    for i in 1000:
        do something
    release GIL
    /* Give Operating System a chance to do thread scheduling */

这种模式在只有一个CPU核心的情况下毫无问题。任何一个线程被唤起时都能成功获得到GIL（因为只有释放了GIL才会引发线程调度）。
但当CPU有多个核心的时候，问题就来了。从伪代码可以看到，从release GIL到acquire GIL之间几乎是没有间隙的。所以当其他在其他核心上的线程被唤醒时，大部分情况下主线程已经又再一次获取到GIL了。这个时候被唤醒执行的线程只能白白的浪费CPU时间，看着另一个线程拿着GIL欢快的执行着。然后达到切换时间后进入待调度状态，再被唤醒，再等待，以此往复恶性循环。
简单的总结下就是：Python的多线程在多核CPU上，只对于IO密集型计算产生正面效果；而当有至少有一个CPU密集型线程存在，那么多线程效率会由于GIL而大幅下降。

线程池。修改 生成者消费者 的代码，不再是一个生产者和一个消费者，而是可以有任意个 消费者线程(一个线程池)，每个线程可以在任意时刻处理或消耗任意多个产品。

Das obige ist der detaillierte Inhalt vonÜber Python-Thread-Lernaufzeichnungen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!