Python学习打call第三十九天：线程同步与并发

1.线程之间的几种通信方式

• Event：事件；

• Critical Section：临界区；

• Semaphone：信号量；

2.Event事件

from threading import Thread, Event
import time

def teacher(event: Event):
    print('I am teacher , waiting for your homework')
    event.wait()
    print("I am teacher, already obtaining student's homework ")
    
def student(event: Event):
    finished_homework = []
    while len(finished_homework) < 10:
        time.sleep(1)
        print('I am student, finished one homework')
        finished_homework.append(1)
    else:
        print('student finish homework')
        event.set()
        
if __name__ == '__main__':
    event = Event()
    Thread(target=student, args=(event,)).start()
    Thread(target=teacher, args=(event,)).start()

• Event是事件处理的机制，全局定义了一个内置标志Flag，如果Flag值为 False，那么当程序执行 event.wait方法时就会阻塞，如果Flag值为True， 那么event.wait 方法时便不再阻塞；

event实例对象的对象方法：

• wait(self, timeout=None)：timeout为设置等待的时长，如果超过时长（返回值为False）则不再等待，直接向下执行，如果timeout没有指定则一 直等待，等待的时候是阻塞的没有返回值，；

• set()：如果执行event.set()，将会设置flag为True，那么wait等待的线程就可以向下执行；

• clear()：如果执行event.clear()，将会设置flag标记为Flase, 那么wait等待的线程将再次等待(阻塞)；

• is_set()：判断event的flag是否为True，如果为True的话wait等待的线程将向下执行；

3.线程锁

• Lock是Python中最底层的同步机制，直接由底层模块 thread 实现，每个lock对象只有两种状态——上锁和未上锁；
• 可以通过下面两种方式创建一个Lock对象，新创建的 Lock 对象处于未上锁的状态：

thread.allocate_lock()
threading.Lock()

• 锁是解决临界区资源的问题，保证每一个线程访问临界资源的时候有全部的权利；

• 一旦某个线程获得锁， 其它试图获取锁的线程将被阻塞；

• locked()：判断当前是否上锁，如果上锁，返回True，否则返回False；

• acquire(blocking=True,timeout=-1)：加锁，默认True为加锁状态（阻塞），False为不阻塞，timeout为设置时长；

• release()：释放锁，完成任务的时候释放锁，让其他的线程获取到临界资源，注意此时必须处于上锁的状态，如果试图 release() 一个 unlocked 的锁，将抛出异常 thread.error；

# 示例1：学生完成作业的总数最后为1009， 出现了临界资源争抢的问题
import time
from threading import Thread
homework_list = []

def student(number):
    while len(homework_list) < number:
        time.sleep(0.001)
        homework_list.append(1)
    print(len(homework_list))

if __name__ == '__main__':
    for i in range(10):
        Thread(target=student, args=(1000, )).start()
    time.sleep(3)
    print('完成作业的总数为： {}'.format(len(homework_list)))

# 示例2：对示例1的修正，使用锁机制
import time
import threading
from threading import Thread, Lock
homework_list = []

# 全局阻塞锁
lock = Lock()
def student(number):
    while True:
        lock.acquire()  # 一定是在获取临界资源之前加锁
        if len(homework_list) >= number:
            break
        time.sleep(0.001)
        homework_list.append(1)
        lock.release()   # 完成任务的时候释放锁，让其他的线程获取到临界资源
        print('current_thread={}, homework_list={}'.format(threading.current_thread().name, len(homework_list)))

if __name__ == '__main__':
    for i in range(10):
        Thread(target=student, name='student {}'.format(i), args=(1000, )).start()
    time.sleep(3)
    print('完成作业的总数为： {}'.format(len(homework_list)))

4.锁在with语句中的使用

• 使用with语句加锁with lock，会默认自动释放锁，不需要再写release()方法来释放锁了，可以避免程序中忘记释放锁；

import time
import threading
from threading import Thread, Lock
homework_list = []

# 全局阻塞锁
lock = Lock()
def student(number):
    while True:
        with lock:
            if len(homework_list) >= number:
                break
            time.sleep(0.001)
            homework_list.append(1)

        print('current_thread={}, homework_list={}'.format(threading.current_thread().name, len(homework_list)))

if __name__ == '__main__':
    for i in range(10):
        Thread(target=student, name='student {}'.format(i), args=(1000, )).start()
    time.sleep(3)
    print('完成作业的总数为： {}'.format(len(homework_list)))

5.线程池

• ThreadPoolExecutor：构造实例的时候，传入max_workers参数来设置线程池中最多能同时运行的线程数目；

from concurrent.futures import ThreadPoolExecutor
import requests

def fetch_url(url):
    result = requests.get(url=url, )
    return result.text

# 创建10个线程队列的线程池
pool = ThreadPoolExecutor(10)

# 获取任务返回对象
a = pool.submit(fetch_url, 'http://www.baidu.com')
# 取出返回的结果

x = a.result()
print(x)  # 获得百度的源码

• submit(self, fn, *args, **kwargs)：提交线程需要执行的任务（函数名和参数）到线程池中，并返回该任务的句柄，用于提交单个任务；

• map(self, fn, *iterables, timeout=None, chunksize=1)：类似高阶函数map，可以提交任务，且传递一个可迭代对象，返回任务处理迭代对象的结果；

6.全局解释器锁

• 尽管Python完全支持多线程编程， 但是解释器的C语言实现部分在完全并行执行时并不是线程安全的，实际上，解释器被一个全局解释器锁保护着 ，它确保任何时候都只有一个Python线程执行；

• GIL最大的问题就是Python的多线程程序并不能利用多核CPU的优势, 就是因为GIL的存在，使得一个进程的多个线程在执行任务的时候，一个CPU时 间片内，只有一个线程能够调度到CPU上运行；

• 因此CPU密集型的程序一般不会使用Python实现，可以选择Java，GO等语言；

• 但是对于非CPU密集型程序，例如IO密集型程序，多数时间都是对网络IO的等待，因此Python的多线程完全可以胜任；

对于全局解释器锁的解决方案：

• 使用multiprocessing创建进程池对象，实现多进程并发，这样就能够使用多CPU计算资源；

• 使用C语言扩展，将计算密集型任务转移给C语言实现去处理，在C代码实现部分可以释放GIL；

多线程和多进程解决方案：

• 如果想要同时使用多线程和多进程，最好在程序启动时，创建任何线程之前，先创建一个单例的进程池， 然后线程使用同样的进程池来进行它们的计 算密集型工作，这样类似于线程调用了进程，完成了CPU密集型任务，进程也利用了多CPU的优势；

参考：https://www.9xkd.com/user/plan-view.html?id=4240003103