并发编程的方法：
多线程、加载子进程、设计生成器函数的技巧。
一、启动和停止线程
threading库用来在单独的线程中执行任意的Python可调用对象。
from threading import Thread t = Thread(target=func, args=(10,)) t.start()
当创建一个线程实例时，在调用它的start()方法之前，线程并不会立刻开始执行。
线程实例会在他们自己所属的系统级线程中执行，这些线程完全由操作系统来管理。一旦启动后，线程就开始独立运行、直到目标函数返回为止。
可以查询线程实例来判断它是否还在运行。
if t.is_alive(): print(' Still alive') else: print('Completed')
也可以请求连接（join）到某个线程上，这么做会等待该线程结束。
解释器会一直保持运行，知道所有的线程都终结为止。
对于需要长时间运行的线程或者一直不断运行的后台任务，应该考虑将这些线程设置为daemon（守护线程）
>>> t = Thread(target=func, args=(10,), daemon=True)
daemon线程是无法被连接的。但是，当主线程结束后他们会自动销毁掉。
如果需要终止线程，必须要能够在某个指定的点上轮询退出状态，这就需要编程实现。
import time from threading import Thread class CountdownTask: def __init__(self): self._running = True def terminate(self): self._running = False def run(self, n): while self._running and n > 0: print('T-minus', n) n -= 1 time.sleep(2) print('Threading Done') c = CountdownTask() t = Thread(target=c.run, args=(10,), ) t.start() time.sleep(5) c.terminate() t.join()
如果线程执行阻塞性的I/O操作，需要为线程加上超时循环。
class IOTask: def __init__(self): self._running = True def run(self): sock.settimeout(5) while self._running: try: data = sock.recv(1024) break except socket.timeout: continue return
由于全局解释器锁GIL的存在，Python线程的执行模型被限制为在任意时刻只允许在解释器中运行一个线程。
二、判断线程是否已经启动
线程的核心特征：能够以非确定性的方式独立执行。（即何时开始执行、何时被打断、何时恢复执行完全由操作系统来调度管理）
如果线程需要判断某个线程是否已经到达执行过程中的某个点。根据这个判断来执行后续的操作，产生了棘手的线程同步问题。
threading库中的Event对象。
如果事件没有被设置而线程正在等待该事件event.wait()，那么线程就会被阻塞（即，进入休眠状态），直到事件被设置为止event.set()。
当线程设置了这个事件时，这会唤醒所有正在等待该事件的线程。
如果线程等待的事件已经设置了，那么线程会继续执行。
from threading import Thread,Event import time def countdown(n,event): print(' countdown starting ') event.set() while n > 0: print('T-minus', n) n -= 1 time.sleep(2) if __name__ == '__main__': started_evet = Event() t = Thread(target=countdown, args=(10,started_evet)) t.start() started_evet.wait() print(' countdown is running ')
当运行这段代码时，字符串“countdown is running”，总是会在“countdown starting”之后显示。
使用了事件来同步线程，使得主线程等待，直到countdown()函数首先打印出启动信息之后才开始执行。
Event对象最好只用于一次性的事件。
如果线程打算一遍又一遍地重复通知某个事件，最好使用Condition对象来处理。
import threading import time class PeriodicTimer: def __init__(self, interval): self._interval = interval self._flag = 0 self._cv = threading.Condition() def start(self): t = threading.Thread(target=self.run) t.daemon = True t.start() def run(self): ''' Run the timer and notify waiting threads after each interval ''' while True: time.sleep(self._interval) with self._cv: self._cv.notify(1) print('time.sleep done 5') def wait_for_tick(self): ''' Wait for the next tick of the timer ''' with self._cv: self._cv.wait() # Example use of the timer ptimer = PeriodicTimer(3) ptimer.start() # Two threads that synchronize on the timer def countdown(nticks): while nticks > 0: ptimer.wait_for_tick() print('T-minus', nticks) nticks -= 1 def countup(last): n = 0 while n < last: ptimer.wait_for_tick() print('Counting', n) n += 1 threading.Thread(target=countup, args=(5,)).start() threading.Thread(target=countdown, args=(10,)).start()
Event对象的关键特性就是它会唤醒所有等待的线程。
如果只希望唤醒一个单独的等待线程，那么最好使用Semaphore或者Condition对象。
# Worker thread def worker(n, sema): # Wait to be signaled sema.acquire() # Do some work print('Working', n) # Create some threads sema = threading.Semaphore(0) nworkers = 10 for n in range(nworkers): t = threading.Thread(target=worker, args=(n, sema,)) t.start()
运行上边的代码将会启动一个线程池，但是并没有什么事情发生。
这是因为所有的线程都在等待获取信号量。每次信号量被释放，只有一个线程会被唤醒并执行，示例如下：
>>> sema.release() Working 0 >>> sema.release() Working 1
三、线程间通信
程序中有多个线程，在线程之间实现安全的通信或者交换数据。
将数据从一个线程发往另一个线程最安全的做法就是使用queue模块中的Queue队列了。
创建一个Queue队列，使用put()或者get()操作来给队列添加或移除元素。
from threading import Thread from queue import Queue def producer(out_q): while True: out_q.put(data) def consumer(in_q): while True: data = in_q.get() q = Queue() t1 = Thread(target=producer, args=(q,)) t2 = Thread(target=consumer, args=(q,)) t1.start() t2.start()
Queue实例已经拥有了所有所需的锁，因此它可以安全地在任意多的线程之间共享。
生产者和消费者之间的协调同步，使用一个特殊的终止值。
_sentinel = object() def producer(out_q): while True: out_q.put(data) out_q.put(_sentinel) def consumer(in_q): while True: data = in_q.get() if data is _sentinel: in_q.put(_sentinel) break
创建一个线程安全的优先队列
import heapq import threading class PriorityQueue: def __init__(self): self._queue = [] self._count = 0 self._cv = threading.Condition() def put(self, item, priority): with self._cv: heapq.heappush(self._queue, (-priority, self._count, item)) self._count += 1 self._cv.notify() def get(self): with self._cv: while len(self._queue) == 0: self._cv.wait() return heapq.heappop(self._queue)[-1]
通过队列实现线程间通信是一种单方向且不确定的过程。
无法得知线程何时会实际接收到消息并开始工作。
Queue对象提供了事件完成功能。task_done()和join()方法。
from threading import Thread from queue import Queue def producer(out_q): while True: out_q.put(data) def consumer(in_q): while True: data = in_q.get() in_q.task_done() q = Queue() t1 = Thread(target=producer, args=(q,)) t2 = Thread(target=consumer, args=(q,)) t1.start() t2.start() q.join()
当消费者线程已经处理了某项特定的数据，而生产者需要对此立刻感知的话，那么就应该将发送的数据和一个Event对象配对在一起。
def producer(out_q): while True: evt = Event() out_q.put((data, evt)) evt.wait() def consumer(in_q): while True: data,evt = in_q.get() evt.set()
在线程中使用队列时， 将某个数据放入队列并不会产生该数据的拷贝。
因此，通信过程中实际上涉及在不同的线程间传递对象的引用。
Queue的get()和put()方法都支持非阻塞和超时机制
import queue q = queue.Queue() try: q.put(item, block=False) except queue.Full: pass try: q.get(block=False) except queue.Empty: pass try: q.put(item, timeout=5.0) except queue.Full: pass try: q.get(timeout = 5.0) except queue.Empty: pass
可以避免在特定的队列操作上无限期阻塞下去的问题。
还有q.qsize()、q.full()、q.empty()，查询队列的当前大小和状态。但是，这些方法在多线程环境中都是不可靠的。
四、对临界区加锁
让可变对象安全地用在多线程中，可以利用threading库中的Lock对象来解决
import threading class SharedCounter: def __init__(self, initial_value = 0): self._value = initial_value self._value_lock = threading.Lock() def incr(self, delta=1): with self._value_lock: self._value += delta def decr(self, delta=1): with self._value_lock: self._value -= delta
当使用with语句时，Lock对象可确保产生互斥的行为。
同一时间只允许一个线程执行with语句块中的代码。
在较老的代码中，我们常会看到显式地获取和释放锁的动作。
def incr(self, delta=1): self._value_lock.acquire() self._valeu += delta self._value_lock.release() def decr(self, delta=1): self._value_lock.acquire() self._value -= delta self._value_lock.release()
采用with语句不容易出错，如果程序刚好在持有锁的时候抛出了异常，而with语句会确保总是释放锁。
RLock被称为可重入锁，他可以被同一个线程多次获取，用来编写基于锁的代码或者基于监视器的同步处理。
当某个类持有这种类型的锁时，只有一个线程可以使用类中的全部函数或者方法。
class SharedCounter: _lock = threading.RLock() def __init__(self, initial_value = 0): self._value = initial_value def incr(self, delta=1): with SharedCounter._lock: self._value += delta def decr(self, delta=1): with SharedCounter._lock: self.incr(-delta)
只有一个作用于整个类的锁，它被所有的类实例所共享。
这个锁可以确保每次只有一个线程可以使用类中的方法。已经持有了锁的方法可以调用同样使用了这个锁的其他方法。
无论创建多少个counter实例，都只会有一个锁存在。
Semaphore对象是一种基于共享计数器的同步原语。
如果计数器非零，那么with语句会递减计数器并且允许线程继续执行，当with语句块结束时计数器会得到递增。
如果计数器为零，那么执行过程会被阻塞，直到由另一个线程来递增计数器为止。
如果想在代码中限制并发的数量，可以使用Semaphore来处理。
五、避免死锁
线程一次品牌需要获取不止一把锁，同时还要避免出现死锁。
出现死锁常见原因是有一个线程获取到第一个锁，但是在尝试获取第二个锁时阻塞了，那么这个线程就有可能会阻塞住其他线程的执行，进而使得整个程序僵死。
解决方案：为每个锁分配一个唯一的数字编号，并且在获取多个锁时只按照编号的升序方式来获取。
import threading from contextlib import contextmanager _local = threading.local() @contextmanager def acquire(*locks): locks = sorted(locks, key=lambda x:id(x)) acquired = getattr(_local, 'acquired', []) if acquired and max(id(lock) for lock in acquired) >= id(locks[0]): raise RuntimeError('Lock Order Violation') acquired.extend(locks) _local.acquired = acquired try: for lock in locks: lock.acquire() yield finally: for lock in reversed(locks): lock.release() del acquired[-len(locks):]
acquire()函数根据对象的数字编号对所锁进行排序。
通过对锁进行排序，无论用户按照什么顺序将锁提供给acquire()函数，他们总是会按照统一的顺序来获取。
运行代码：
x_lock = threading.Lock() y_lock = threading.Lock() def thread_1(): while True: with acquire(x_lock, y_lock): print('Thread 1.....') def thread_2(): while True: with acquire(y_lock, x_lock): print('Thread 2.....') t1 = threading.Thread(target=thread_1) t1.daemon = True t1.start() t2 = threading.Thread(target=thread_2) t2.daemon = True t2.start()
示例使用到了线程本地存储来解决一个小问题。即，如果有多个acquire()操作嵌套在一起时，可以检测可能存在的死锁情况。
def thread_1(): while True: with acquire(x_lock): with acquire(y_lock): print('Thread 1.....') def thread_2(): while True: with acquire(y_lock): with acquire(x_lock): print('Thread 2.....')
每个线程会记住他们已经获取到的锁的顺序。
acquire()函数会检测之前获取到的锁的列表，并对锁的顺序做强制性的约束。
先获取到的锁的对象ID必须比后获取的锁的ID要小。
解决哲学家就餐问题：（5个科学家围在一起，拿筷子吃饭，每支筷子代表一把锁）
def philosopher(left, right): while True: with acquire(left, right): print(threading.current_thread(), 'eating...') NSTICKS = 5 chopsticks = [threading.Lock() for n in range(NSTICKS)] for n in range(NSTICKS): t = threading.Thread(target=philosopher, args=(chopsticks[n], chopsticks[(n+1) % NSTICKS])) t.start()
六、保存线程专有状态
在多线程程序中，需要保存专属于当前运行线程的状态。通过threading.local()来创建一个线程本地存储对象。
在这个对象上保存和读取的属性只对当前运行的线程可见，其他线程无法感知。
import threading from socket import socket,AF_INET,SOCK_STREAM class LazyConnection: def __init__(self, address, family=AF_INET, type=SOCK_STREAM): self.address = address self.family = family self.type = type self.local = threading.local() def __enter__(self): if hasattr(self.local, 'sock'): raise RuntimeError('Already Connected') self.local.sock = socket(self.family, self.type) self.local.sock.connect(self.address) return self.local.sock def __exit__(self, exc_type, exc_val, exc_tb): self.local.sock.close() del self.local.sock
每个线程都创建了自己专属的socket连接。
当不同线程在socket上执行操作时，它们并不会互相产生影响，因为它们都是在不同的socket上完成操作的。
threading.local()实例为每个线程维护者一个单独的实例字典。所有对实例的常见操作比如获取、设定以及删除都只是作用于每个线程专有的字典上。
七、创建线程池
创建一个工作者线程池用来处理客户端连接。
concurrent.futures库中包含有一个ThreadPoolExecutor类可用来实现这个目的。
from concurrent.futures import ThreadPoolExecutor from socket import socket, AF_INET, SOCK_STREAM def echo_client(sock, client_addr): print('Got COnnection from ', client_addr) while True: msg = sock.recv(1024) if not msg: break sock.sendall(msg) print('Client closed connection') sock.close() def echo_server(addr): pool = ThreadPoolExecutor(128) sock = socket(AF_INET, SOCK_STREAM) sock.bind(addr) sock.listen(5) while True: client_sock, client_addr = sock.accept() echo_client(echo_client, client_sock, client_addr) echo_server(('',18000))
使用Queue来手动创建一个线程池。
from socket import socket, AF_INET, SOCK_STREAM from threading import Thread from queue import Queue def echo_client(q): sock, client_addr = q.get() print('Got COnnection from ', client_addr) while True: msg = sock.recv(1024) if not msg: break sock.sendall(msg) print('Client closed connection') sock.close() def echo_server(addr, nworkers): q = Queue() for n in range(nworkers): t = Thread(target=echo_client, args=(q,)) t.daemon = True t.start() sock = socket(AF_INET, SOCK_STREAM) sock.bind(addr) sock.listen(5) while True: client_sock, client_addr = sock.accept() q.put((client_sock, client_addr)) echo_server(('',18000), 128)
使用ThreadPoolExecutor类实现线程池，使得更容易从调用函数中取得结果。
from concurrent.futures import ThreadPoolExecutor import urllib.request def fetch_url(url): u = urllib.request.urlopen(url) data = u.read() return data pool = ThreadPoolExecutor(10) a = pool.submit(fetch_url, 'http://www.python.org') b = pool.submit(fetch_url, 'http://www.pypy.org') a.result() b.result()
a.result()操作会阻塞，直到对应的函数已经由线程池执行完毕并返回了结果为止。
当创建一个线程时，操作系统会占用一段虚拟内存来保存线程的执行栈（通常8M），这段内存只有一小部分会实际映射到物理内存上。
>>> threading.stack_size(65535) 调整线程栈的大小。
因此，Python进程占用的物理内存远比虚拟内存要小。
八、实现简单的并行编程
concurrent.futures库中提供了ProcessPoolExecutor类，用来在单独运行的Python解释器实例中执行计算密集型的函数。
import gzip import io import glob def find_robots(filename): ''' Find all of the hosts that access robots.txt in a single log file ''' robots = set() with gzip.open(filename) as f: for line in io.TextIOWrapper(f,encoding='ascii'): fields = line.split() if fields[6] == '/robots.txt': robots.add(fields[0]) return robots def find_all_robots(logdir): ''' Find all hosts across and entire sequence of files ''' files = glob.glob(logdir+'/*.log.gz') all_robots = set() for robots in map(find_robots, files): all_robots.update(robots) return all_robots if __name__ == '__main__': robots = find_all_robots('logs') for ipaddr in robots: print(ipaddr)
上面的程序以常用的map-reduce风格来编写。函数find_robots()被映射到一系列的文件名上
修改为利用多个CPU核心的程序。
import gzip import io import glob from concurrent import futures def find_robots(filename): ''' Find all of the hosts that access robots.txt in a single log file ''' robots = set() with gzip.open(filename) as f: for line in io.TextIOWrapper(f,encoding='ascii'): fields = line.split() if fields[6] == '/robots.txt': robots.add(fields[0]) return robots def find_all_robots(logdir): ''' Find all hosts across and entire sequence of files ''' files = glob.glob(logdir+'/*.log.gz') all_robots = set() with futures.ProcessPoolExecutor() as pool: for robots in pool.map(find_robots, files): all_robots.update(robots) return all_robots if __name__ == '__main__': robots = find_all_robots('logs') for ipaddr in robots: print(ipaddr)
ProcessPoolExecutor的典型用法：
from concurrent.futures import ProcessPoolExecutor with ProcessPoolExecutor() as pool: ... do work in parallel using pool ...
在底层，ProcessPoolExecutor创建了N个独立运行的Python解释器，这里的N就是在系统上检测到的可用的CPU个数。
可以修改创建的Python进程格式，只要给ProcessPoolExecutor(N)提供参数即可。
进程池会一直运行，直到with语句块中的最后一条语句执行完毕为止，此时进程池就会关闭。
但是，程序会一直等待所有已经提交的任务都处理完毕为止。
提交到进程池中的任务必须定义成函数的形式。
（1）如果想并行处理一个列表推导式或者map()操作，可以使用pool.map()
（2）通过pool.submit()方法来手动提交一个单独的任务。
def work(x): ... return result with ProcessPoolExecutor() as pool: ... # Example of submitting work to the pool future_result = pool.submit(work, arg) # Obtaining the result (blocks until done) r = future_result.result() ...
手动提交任务，得到一个Future实例。
要获取实际的结果还需要调用它的 result() 方法，这么做会阻塞进程，直到完成了计算并将结果返回给进程池为止。
或者提供一个回调函数，让它在任务完成时得到触发执行。
def when_done(r): print('Got:', r.result()) with ProcessPoolExecutor() as pool: future_result = pool.submit(work, arg) future_result.add_done_callback(when_done)
九、规避GIL带来的限制
解释器被一个称之为全局解释器锁（GIL）的东西保护着，在任意时刻只允许一个Python线程投入执行。
GIL带来的最明显影响是Python程序无法充分利用多个CPU核心带来的优势。
一个采用多线程的技术的计算密集型应用只能在一个CPU上运行。
对于I/O密集型的线程，每当阻塞等待I/O操作时解释器都会释放GIL。
对于从来不执行任何I/O操作的CPU密集型线程，Python解释器会在执行了一定数量的字节码后释放GIL，以便其他线程得到执行的机会。
但是C语言扩展模块不同，调用C函数时GIL会被锁定，直到它返回为止。
由于C代码的执行是不受解释器控制的，这一期间不会执行任何Python字节码，因此解释器就没法释放GIL了。
如果编写的C语言扩展调用了会阻塞的C函数，执行耗时很长的操作等，那么必须等到C函数返回时才会释放GIL，这时其他的线程就僵死了。
规避GIL的限制主要有两种常用的策略。
（1）使用multiprocessing模块来创建进程池，把它当做协处理器来使用。
线程版本：
# Performs a large calculation (CPU bound) def some_work(args): ... return result # A thread that calls the above function def some_thread(): while True: ... r = some_work(args) ...
使用进程池的方式：
# Processing pool (see below for initiazation) pool = None # Performs a large calculation (CPU bound) def some_work(args): ... return result # A thread that calls the above function def some_thread(): while True: ... r = pool.apply(some_work, (args)) ... # Initiaze the pool if __name__ == '__main__': import multiprocessing pool = multiprocessing.Pool()
每当有线程要执行CPU密集型的任务时，它就把任务提交到池中，然后进程池将任务转交给运行在另一个进程中的Python解释器。
当线程等待结果的时候就会释放GIL。
（2）将计算密集型的任务转移到C语言中，使其独立于Python，在C代码中释放GIL。
总结：
CPU密集型的处理才需要考虑GIL，I/O密集型的处理则不必。
当使用进程池来规避GIL，涉及同另一个Python解释器之间进行数据序列化和通信的处理。
待执行的操作需要包含在以def语句定义的Python函数中（lambda、闭包、可调用实例都是不可以的！），而且函数参数和返回值必须兼容于pickle编码。
此外，要完成的工作规模必须足够大，这样可以弥补额外产生的通信开销。
将线程和进程混在一起使用。最好在先创建任何线程之前将进程池作为单例（singleton）在程序启动的时候创建。
之后，线程就可以使用相同的进程池来处理所有那些计算密集型的工作了。
对于C语言的扩展，最重要的是保持与Python解释器进程的隔离。确保C代码可以独立于Python执行。
十、定义一个Actor任务
actor模式是用来解决并发和分布式计算问题的方法之一。
actor就是一个并发执行的任务，他只是简单地对发送给它的消息进行处理。
作为对这些消息的响应，actor会决定是否要对其他的actor发送进一步的消息。
actor任务之间的通信是单向且异步的，消息的发送者并不知道消息何时才会实际传递，当消息已经处理完毕时也不会接受到响应或者确认。
把线程和队列结合起来使用很容易定义出actor：
from queue import Queue from threading import Thread,Event class ActorExit(Exception): pass class Actor: def __init__(self): self._mailbox = Queue() def send(self, msg): self._mailbox.put(msg) def recv(self): msg = self._mailbox.get() if msg is ActorExit: raise ActorExit return msg def close(self): self.send(ActorExit) def start(self): self._terminated = Event() t = Thread(target=self._boostrap) t.daemon = True t.start() def _boostrap(self): try: self.run() except ActorExit: pass finally: self._terminated.set() def join(self): self._terminated.wait() def run(self): while True: msg = self.recv() class PrintActor(Actor): def run(self): while True: msg = self.recv() print('Got', msg) p = PrintActor() p.start() p.send('HHHH') p.send('wwwwwwww') p.close() p.join()
使用actor实例的send()方法来发送消息。在底层，将消息放入到队列上，内部运行的线程会从中取出收到的消息处理。
close()方法通过在队列中放置一个特殊的终止值（ActorExit）开关闭Actor。
如果将并发和异步消息传递的需求去掉，那么完全可以用生成器来定义个最简化的actor对象。
def print_actor(): while True: try: msg = yield print('Got',msg) except GeneratorExit: print('Actor terminating') p = print_actor() next(p) p.send('HHHHH') p.send('wwwwwwwww') p.close()
actor核心操作send()，在基于actor模式的系统中，消息的概念可以扩展到许多不同的方向。
可以以元组的形式传递带标签的消息，让actor执行不同的操作。
class TaggedActor(Actor): def run(self): while True: tag, *payload = self.recv() getattr(self,'do_'+tag)(*payload) def do_A(self, x): print('Running A', x) def do_B(self, x, y): print('Running B', x, y) a = TaggedActor() a.start() a.send(('A',3)) a.send(('B',3,888))
一个actor变形，允许在工作者线程中执行任意的函数，并通过特殊的Result对象将结果回传。
from threading import Event class Result: def __init__(self): self._evt = Event() self._result = None def set_result(self, value): self._result = value self._evt.set() def result(self): self._evt.wait() return self._result class Worker(Actor): def submit(self, func, *args, **kwargs): r = Result() self.send((func, args, kwargs, r)) return r def run(self): while True: func, args, kwargs, r = self.recv() r.set_result(func(*args, **kwargs)) worker = Worker() worker.start() r = worker.submit(pow, 2, 3) print(r.result())
可以给actor对象的send()方法实现为在socket连接上传输数据，或者通过某种消息传递的基础架构（AMQP、ZMQ）来完成传递。
十一、实现发布者/订阅者消息模式
实现发布者/订阅者消息模式，一般来说需要引入一个单独的“交换”或者“网关”这样的对象，作为所有消息的中介。
不是直接将消息从一个任务发往另一个任务，而是将消息发往交换中介，由交换中介将消息转发给一个或多个相关联的任务。
from collections import defaultdict class Exchange: def __init__(self): self._subscribers = set() def attach(self, task): self._subscribers.add(task) def detach(self, task): self._subscribers.remove(task) def send(self, msg): for subscriber in self._subscribers: subscriber.send(msg) _exchanges = defaultdict(Exchange) def get_exchange(name): return _exchanges[name] class Task: def send(self, msg): pass task_a = Task() task_b = Task() exc = get_exchange('name') exc.attach(task_a) exc.attach(task_b) exc.send('msg1') exc.send('msg2') exc.detach(task_a) exc.detach(task_b)
交换中介其实就是一个对象，它保存了活跃的订阅者集合，并提供关联、取消关联以及发送消息的方法。
每个交换中介都由一个名称来标识，get_exchange()函数简单地返回同给定的名称相关联的那个Exchange对象。
消息会先传递到一个中介，再由中介将消息传递给相关联的订阅者。
交换中介具有将消息广播发送给多个订阅者的能力，可以实现带有冗余任务、广播或者扇出的系统。
也可以构建调式以及诊断工具，将它们作为普通的订阅者关联到交换中介上。
class DisplayMessages: def __init__(self): self.count = 0 def send(self, msg): self.count += 1 print('msg[{}]: {!r}'.format(self.count, msg)) exc = get_exchange('name') d = DisplayMessages() exc.attach(d)
消息接收者可以是actor、协程、网络连接，甚至只要实现了合适的send()方法的对象都可以。
关于交换中介，要以适当的方式对订阅者进行关联和取消关联的处理。
这和使用文件、锁以及类似的资源对象很相似。使用上下文管理协议。
from contextlib import contextmanager from collections import defaultdict class Exchange: def __init__(self): self._subscribers = set() def attach(self, task): self._subscribers.add(task) def detach(self, task): self._subscribers.remove(task) @contextmanager def subscribe(self, *tasks): for task in tasks: self.attach(task) try: yield finally: for task in tasks: self.detach(task) def send(self, msg): for subscriber in self._subscribers: subscriber.send(msg) _exchanges = defaultdict(Exchange) def get_exchange(name): return _exchanges[name] # Example of using the subscribe() method exc = get_exchange('name') with exc.subscribe(task_a, task_b): exc.send('msg1') exc.send('msg2')
十二、使用生成器作为线程的替代方案
用生成器作为系统线程的替代方案来实现并发。协程有时也称为用户级线程或绿色线程。
yield的基本行为，即，使得生成器暂停执行。
编写一个调度器将生成器函数当做一种“任务”来对待，并通过使用某种形式的任务切换来交替执行这写任务。
def countdown(n): while n > 0: print('T-minus', n) yield n -= 1 print('Blastoff') def countup(n): x = 0 while x < n: print('Counting up', x) yield x += 1 from collections import deque class TaskScheduler: def __init__(self): self._task_queue = deque() def new_task(self, task): self._task_queue.append(task) def run(self): while self._task_queue: task = self._task_queue.popleft() try: next(task) self._task_queue.append(task) except StopIteration: pass sched = TaskScheduler() sched.new_task(countdown(10)) sched.new_task(countup(8)) sched.new_task(countdown(5)) sched.run()
TaskScheduler类以循环的方式运行了一系列的生成器函数，每个都运行到yield语句就暂停。
生成器函数就是任务，而yield语句就是通知任务需要暂停挂起的信号。
调度器只是简单地轮流执行所有的任务，直到没有一个任务还能执行为止。
使用生成器来实现actor，完全没有用到线程：
from collections import deque class ActorScheduler: def __init__(self): self._actors = { } # Mapping of names to actors self._msg_queue = deque() # Message queue def new_actor(self, name, actor): ''' Admit a newly started actor to the scheduler and give it a name ''' self._msg_queue.append((actor,None)) self._actors[name] = actor def send(self, name, msg): ''' Send a message to a named actor ''' actor = self._actors.get(name) if actor: self._msg_queue.append((actor,msg)) def run(self): ''' Run as long as there are pending messages. ''' while self._msg_queue: actor, msg = self._msg_queue.popleft() try: actor.send(msg) except StopIteration: pass # Example use if __name__ == '__main__': def printer(): while True: msg = yield print('Got:', msg) def counter(sched): while True: # Receive the current count n = yield if n == 0: break # Send to the printer task sched.send('printer', n) # Send the next count to the counter task (recursive) sched.send('counter', n-1) sched = ActorScheduler() # Create the initial actors sched.new_actor('printer', printer()) sched.new_actor('counter', counter(sched)) # Send an initial message to the counter to initiate sched.send('counter', 10000) sched.run()
只要有消息需要传递，调度器就会运行。这里有一个值得注意的特性：
counter生成器发送消息给自己并进入一个递归循环，但却并不会受到Python的递归限制。
十三、轮询多个线程队列
有一组线程队列，想轮询这些队列来获取数据。这个轮询一组网络连接来获取数据类似。
对于轮询问题，利用隐藏的环回（loopback）网络连接。
针对每个想要轮询的队列（或任何对象），创建一对互联的socket。然后对其中一个socket执行写操作，以此来表示数据存在。
另一个socket就传递给select()或者类似的函数来轮询数据。
import os import socket import queue class PollableQueue(queue.Queue): def __init__(self): super().__init__() if os.name == 'posix': self._putsocket, self._getsocket = socket.socketpair() else: server = socket.socket(socket.AF_INET, socket.SOCK_STREAM) server.bind(('127.0.0.1',0)) server.listen(1) self._putsocket = socket.socket(socket.AF_INET, socket.SOCK_STREAM) self._putsocket.connect(server.getsockname()) self._getsocket, _ = server.accept() server.close() def fileno(self): return self._getsocket.fileno() def put(self, item): super().put(item) self._putsocket.send(b'x') def get(self): self._getsocket.recv(1) return super().get()
定义了一种新的Queue实例，底层有一对互联的socket。
在UNIX上用socketpair()函数来建立这样的socket对是非常容易的。
在Windows上，我们不得不使用示例中展示的方法来伪装socket对。
首先创建一个服务器socket，之后立刻创建客户端socket并连接到服务器上。
之后对get()和put()方法做重构，在这些socket上执行了少量的I/O操作。
put()方法在将数据放入队列之后，对其中一个socket写入了一个字节的数据。
当要把数据从队列中取出时，get()方法就从另一个socket中把那个单独的字节读出。
定义一个消费者，用来在多个队列上监视是否有数据到来。
import select import threading def consumer(queues): while True: can_read, _, _ = select.select(queues,[],[]) for r in can_read: item = r.get() print('Got', item) q1 = PollableQueue() q2 = PollableQueue() q3 = PollableQueue() t = threading.Thread(target=consumer,args=([q1,q2,q3],)) t.daemon = True t.start() q1.put(1) q2.put(10) q3.put('Helloooo')
不管把数据放到哪个队列中，消费者最后都能接收到所有的数据。
十四、在UNIX上加载守护进程
创建一个合适的守护进程需要以精确的顺序调用一系列的系统调用，并小心注意其中的细节。