一堆锁
死锁现象（*****）
死锁指的是，某个资源被占用之后，一直得不到释放，导致其他需要这个资源的线程进入阻塞状态
-
产生死锁的情况
-
对同一把互斥锁，进行了多次加锁
-
一个共享资源，在访问时必须具备多把锁，但是这些锁被不同的线程或进程所持有，这样会导致相互等待对方释放，从而程序卡死
解决方案：
- 按照相同的顺序进行抢锁
- 给抢锁加上超时，如果超时就放弃抢锁
-
递归锁 RLock （了解）
与普通的互斥锁相同点在于，在多线程之间有互斥的效果但是同一个线程中，递归锁可以多次加锁，执行多次acquire
同一个线程必须保证 加锁的次数和解锁的次数相同 其它线程才能够抢到这把锁
RLock只是解决了代码逻辑上的错误导致的死锁，并不能解决多个锁造成的死锁问题
# 同一把RLock 多次acquire
#l1 = RLock()
#l2 = l1
# 不同的RLock 依然会锁死
#l1 = RLock()
#l2 = RLock()
def task():
l1.acquire()
print(threading.current_thread().name,"拿到了筷子")
time.sleep(0.1)
l2.acquire()
print(threading.current_thread().name, "拿到了盘子")
print("吃饭")
l1.release()
l2.release()
def task2():
l2.acquire()
print(threading.current_thread().name, "拿到了盘子")
l1.acquire()
print(threading.current_thread().name,"拿到了筷子")
print("吃饭")
l2.release()
l1.release()
t1 = Thread(target=task)
t1.start()
t2 = Thread(target=task2)
t2.start()
信号量 （了解）
可以用来限制同时并发执行公共代码的线程数量
如果限制数量为1，则和普通的互斥锁一样
from threading import Thread, Semaphore, currentThread
import time
s = Semaphore(3) # 一次只能有3个线程占用
def task():
s.acquire()
time.sleep(1)
print(currentThread().name)
s.release()
for i in range(10):
Thread(target=task).start()
注意:信号量不是用来解决安全问题的 而是用于限制最大的并发量
GIL（*****）
什么时GIL锁
'''
In CPython, the global interpreter lock, or GIL, is a mutex that prevents multiple native threads from executing Python bytecodes at once. This lock is necessary mainly because CPython’s memory management is not thread-safe. (However, since the GIL exists, other features have grown to depend on the guarantees that it enforces.)
'''
'''
在CPython中，全局解释器锁(global interpreter lock, GIL)是一个互斥体，它防止多个本机线程同时执行Python字节码。这个锁是必要的，主要是因为CPython的内存管理不是线程安全的。(然而，自从GIL存在以来，其他特性已经逐渐依赖于它强制执行的保证。)
'''
GIL本质是一把互斥锁，但GIL锁住的是解释器级别的数据
自定义锁，锁的是解释器以外的共享资源，例如:硬盘上的文件 控制台，对于这种不属于解释器的数据资源就应该自己加锁处理
为什么需要GIL锁
python程序本身只是一串字符，只有通过python解释器运行之后才具有意义，但是在一个python程序中python解释器只有一个，所有代码都是由它来执行的，当多个线程都需要执行代码时，就会产生线程安全问题。
如果我们不开线程，是否就没有问题了?
Cpython解释器与GC的问题
GC线程又叫垃圾回收机制
在python中，解释器会自动帮我们进行垃圾回收，这也是需要开启一个线程来进行的，也就是说，当我们没有开启子线程的时候，内部还是有多个线程在执行。所以这就会带来线程安全问题
例如：
线程a要定义一个变量 b，首先申请一块空内存，然后把数据装进去，此时变量b的引用计数为0，最后才会将引用计数加一
但是，如果在刚把数据装进去的时候，CPU切换到GC线程，GC线程就会把变量b当作垃圾进行回收
GIL锁带来的问题
GIL锁本质还是一把互斥锁，所以就会降低程序运行效率
-
没有解决办法，只有尽可能的避免GIL带来的影响
-
使用多线程实现并行，更好的利用多核CPU
-
对任务进行区分
-
计算密集型
基本没有IO操作，大部分时间都是在进行计算，例如人脸识别，图像处理
由于线程不能并行，应该使用多进程，将任务分给不同的CPU进行
-
IO密集型
计算任务非常少，大部分时间都在等待IO操作
由于网络IO速度对比CPU处理速度非常慢，多线程并不会造成太大的影响，另外如有大量客户端连接服务，进程根本开不起来，只能用多线程
-
-
多线程与多进程性能对比
加锁主要就是为了解决线程安全问题，但这也导致了Cpython中，多线程只能并发而不能并行
python的优势：
-
python是一门语言，GIL是Cpython解释器的问题 ，Jpython，pypy 并没有
-
如果是单核CPU，GIL不会造成任何影响
-
由于目前大多数程序都是基于网络的，网络速度对比CPU是非常慢的，导致即使多核CPU也无法提高效率
-
对于IO密集型任务，不会有太大的影响
-
如果没有这把锁，我们程序猿将必须自己来解决安全问题
性能测试 ：
-
计算密集型任务
from multiprocessing import Process from threading import Thread import time # # 计算密集型任务 def task(): for i in range(100000000): 1+1 if __name__ == '__main__': start_time = time.time() ps = [] for i in range(5): # p = Process(target=task) # 4.420854806900024 p = Thread(target=task) # 20.043513298034668 p.start() ps.append(p) for i in ps:i.join() print("共耗时:",time.time()-start_time) -
IO密集型
from multiprocessing import Process from threading import Thread import time # IO密集型任务 def task(): for i in range(100): with open(r"1.死锁现象.py", 'r', encoding="utf-8") as fr: fr.read() if __name__ == '__main__': start_time = time.time() ps = [] for i in range(10): # p = Process(target=task) # 1.1040928363800049 p = Thread(target=task) # 0.09919905662536621 p.start() ps.append(p) for i in ps:i.join() print("共耗时:",time.time()-start_time)
进程池与线程池
池是一个容器，可以用来装一些东西，但池也是有容量限制的，不可能无限制的装东西
进程池和线程池就是用来装进程和线程的容器
进程池和线程池的好处：
- 可以避免频繁的创建和销毁(进程/线程)来的资源开销
- 可以限制同时存在的线程数量，以保证服务器不会应为资源不足而导致崩溃
- 帮我们管理了线程的生命周期
- 管理了任务的分配
进程池与线程池的使用
-
线程池
from concurrent.futures import ThreadPoolExecutor from threading import enumerate,currentThread # 创建一个线程池 指定最多可以容纳两个线程 pool = ThreadPoolExecutor(2) def task(): print(currentThread().name) # 提交任务到池子中 pool.submit(task) pool.submit(task) print(enumerate()) -
进程池
import os import time from concurrent.futures import ProcessPoolExecutor # 创建一个进程池, 指定最多可以容纳两个线程 def task(): time.sleep(1) print(os.getpid()) if __name__ == '__main__': pool = ProcessPoolExecutor(2) pool.submit(task) pool.submit(task) pool.submit(task)
注意：如果进程不结束，池子里面的进程或线程也是一直存活的
同步异步（*****）
**异步同步指的是提交任务的方式 **
同步：是指提交任务后，必须需要等待任务完成之后才能进行下一个任务
异步：是指提交任务后，不需要等待任务完成，继续进行下一个任务
异步效率高于同步，但异步任务将导致一个问题，就是任务的发起方不知道任务何时处理完毕
解决办法：
-
轮询：每隔一段时间询问一次
结果：效率低，无法及时获取结果
-
异步回调：让任务的执行方主动通知
结果：可以及时拿到任务的结果
案例：
from threading import Thread
# 具体的任务
def task(callback):
print('run')
for i in range(100000000):
1 + 1
callback(True)
# 回调函数，参数为任务的结果
def finished(res):
if res:
print('任务完成')
else:
print('任务失败')
print('start...')
t = Thread(target=task,args=(finished,))
t.start()
print('over')
线程池中回调的使用
from concurrent.futures import ThreadPoolExecutor
def task(num):
time.sleep(1)
print(num)
return "hello python"
def callback(obj):
print(obj.result())
pool = ThreadPoolExecutor()
res = pool.submit(task,123)
res.add_done_callback(callback)
print("over")
Event事件
Event用于线程间状态同步，
执行状态：指的是程序运行到哪一步，此时的状态
执行结果：程序运行完了得到的结果
如果我们要拿到执行结果，可以采用异步回调
Event事件的本质就是一个标志，True or False
Evevt里面包含了一个wait函数，可以阻塞当前线程，直到状态由False变为True
from threading import Thread, Event
import time
e = Event()
# is_bool = False
def start_server():
# global is_bool
print('starting server.....')
time.sleep(3)
print('server started')
# is_bool = True
e.set()
def connect_server():
e.wait()
if e.is_set():
print('连接服务器成功')
# while True:
# if is_bool:
# print('连接服务器成功')
# break
# else:
# print('连接服务器失败')
#
# time.sleep(0.1)
t1 = Thread(target=start_server)
t2 = Thread(target=connect_server)
t1.start()
t2.start()