python高级编程——锁

 锁

          在使用用的过程中需要导入threading模块的Lock类

 使用锁：

　　当多个线程几乎同时修改某一个共享数据的时候，需要进行同步控制

　　线程同步能够保证多个线程安全访问竞争资源，最简单的同步机制是引入互 斥锁。 

　　互斥锁为资源引入一个状态：锁定/非锁定。

 

锁的语法

　　创建锁、锁定锁、释放锁

from threading import Lock

# 创建锁
mutex = Lock()
# 获取锁（上锁）
mutex.acquire()
# 释放锁（解锁）
mutex.release()

　　在锁定锁的过程中acquire()方法可以接受一个blocking参数，

　　　　如果设定blocking为True，则当前线程会堵塞，直到获取到这个锁为止（如果没有 指定，那么默认为True） 

　　　　如果设定blocking为False，则当前线程不会堵塞

　　上锁和解锁的过程（假设是多线程调度）：

　　　　这个锁一般是为共享资源服务的，即多个线程同时使用共享资源。这个锁同一时间只能有一个线程调度，其他线程阻塞，只有当前调度的线程释放这个锁，阻塞的线程才能调度。

　　锁的优点：

　　　　确保了某段关键代码只能有一个线程从头到尾完整的执行。

　　锁的缺点：

　　　　组织了多线程的并发执行，包含锁的某段代码实际上只能以单线程模式执行，效率就大大的降低了；代码中可能存在多个锁，如果多个线程拥有多个锁，容易造成死锁。

　　死锁的现象（实例）：

# 死锁 两者都没有释放对方需要的锁，而释放的条件恰好是获取对方释放所需要的锁
# 线程1
class MyThread1(threading.Thread):
    def __init__(self):
        super().__init__()

    def run(self):
        # 线程1获取A锁
        if mutexA.acquire():
            print(self.name+"-----do1---up-----")
            sleep(1)
            # 此时线程2获取了B锁，需要等待线程2释放B锁
            if mutexB.acquire():
                print(self.name + "-----do1---down-----")
                mutexB.release()
            mutexA.release()

# 线程2
class MyThread2(threading.Thread):
    def __init__(self):
        super().__init__()

    def run(self):
        # 线程2获取B锁
        if mutexB.acquire():
            print(self.name + "-----do2---up-----")
            sleep(1)
            # 此时线程1获取了A锁，需要等待线程1释放A锁
            if mutexA.acquire():
                print(self.name + "-----do2---down-----")
                mutexA.release()
            mutexB.release()


mutexA = threading.Lock()
mutexB = threading.Lock()


if __name__ == '__main__':
    # 线程1和线程2同时执行
    t1 = MyThread1()
    t2 = MyThread2()
    t1.start()
    t2.start()    

　　避免死锁的方法：银行家算法

多进程与多线程比较及选择

 是否采用多任务处理，取决于我们的任务类型

 如果是计算密集型，需要大量的CPU资源进行运算，代码的运行效率至关重 要，这样的任务一般不使用多线程进行，因为频繁的任务调度会拖慢CPU的
运算。

 如果是IO密集型，涉及到硬盘读写，网络读写等的任务，更多的时间在等待 IO操作完成，这一类任务可以放到多线程或多进程中来进行。

单线程、多线程、多进程（一起实现同一代码的时间）

# 单线程、多线程、多进程的使用及不同
# 简单的求和
def fib(x):
    res = 0
    for i in range(100000000):
        res += i*x
    return res


# 阶乘
def fac(x):
    if x < 2:
        return 1
    return x*fac(x-1)


# 简单的求和
def sum(x):
    res = 0
    for i in range(50000000):
        res += i*x
    return res


# 函数列表
funcs = [fib, fac, sum]
n = 100


class MyThread(threading.Thread):
    def __init__(self, func, args, name=""):
        super().__init__()
        self.name = name
        self.func = func
        self.args = args
        self.res = 0

    def getResult(self):
        return self.res

    def run(self):
        print("starting ", self.name, " at: ", ctime())
        self.res = self.func(self.args)
        print(self.name, "finished at: ", ctime())


def main():
    nfuncs = range(len(funcs))

    print("单线程".center(30, "*"))
    start = time()
    for i in nfuncs:
        print("start {} at: {}".format(funcs[i].__name__, ctime()))
        start_task = time()
        print(funcs[i](n))
        end_task = time()
        print("任务 耗时：", end_task-start_task)
        print("{} finished at: {}".format(funcs[i].__name__, ctime()))

    end = time()
    print("单线程运行时间：", end-start)
    print("单线程结束：".center(30, "*"))

    print()
    print("多线程".center(30, "*"))
    start = time()
    threads = []
    for i in nfuncs:
        # 一个线程绑定一个函数
        t = MyThread(funcs[i], n, funcs[i].__name__)
        threads.append(t)

    for i in nfuncs:
        # 同时启动线程
        threads[i].start()

    for i in nfuncs:
        threads[i].join()
        print(threads[i].getResult())
    end = time()
    print("多线程运行时间：", end-start)
    print("多线程结束：".center(30, "*"))

    print()
    print("多进程".center(30, "*"))
    start = time()
    process_list = []
    for i in nfuncs:
        # 一个进程绑定一个函数
        t = Process(target=funcs[i], args=(n, ))
        process_list.append(t)

    for i in nfuncs:
        # 同时启动进程
        process_list[i].start()

    for i in nfuncs:
        process_list[i].join()
    end = time()
    print("多进程运行时间：", end - start)
    print("多进程结束：".center(30, "*"))


if __name__ == "__main__":
    main()