python线程的使用模式

为了解决阻塞（如I/O）问题，我们需要对程序进行并发设计。

本文将通过将线程和队列 结合在一起，轻松地在 Python 中完成线程编程，创建一些简单但有效的线程使用模式。

一、使用线程

先看一个线程不多的例子，不存在阻塞，很简单：

import threading
import datetime

class MyThread(threading.Thread):
    def run(self):
        now = datetime.datetime.now()
        print("{} says Hello World at time: {}".format(self.getName(), now))
        
for i in range(2):
    t = MyThread()
    t.start()

    代码解读

    1. 两个线程都输出了 Hello World 语句，并都带有日期戳。

    2. 两个导入语句：一个导入了日期时间模块，另一个导入线程模块。

    3. 类 MyThread 继承自 threading.Thread，也正因为如此，您需要定义一个 run 方法，以此执行您在该线程中要运行的代码。

    4. run 方法中的self.getName() 是一个用于确定该线程名称的方法。

    5. 最后三行代码实际地调用该类，并启动线程。如果注意的话，那么会发现实际启动线程的是 t.start()。

二、使用线程队列

如前所述，当多个线程需要共享数据或者资源的时候，可能会使得线程的使用变得复杂。线程模块提供了许多同步原语，包括信号量、条件变量、事件和锁。当这些 选项存在时，最佳实践是转而关注于使用队列。相比较而言，队列更容易处理，并且可以使得线程编程更加安全，因为它们能够有效地传送单个线程对资源的所有访 问，并支持更加清晰的、可读性更强的设计模式。

在下一个示例中，我们的目的是：获取网站的 URL，并显示页面的前 300 个字节。

先看看串行方式或者依次执行实现的代码：

from urllib import request
import time

hosts = ["http://yahoo.com", "http://amazon.com", "http://ibm.com", "http://apple.com"]

start = time.time()
#grabs urls of hosts and prints first 1024 bytes of page
for host in hosts:
    url = request.urlopen(host)
    print(url.read(200))

print("Elapsed Time: %s" % (time.time() - start))

    代码解读

    1. urllib 模块减少了获取 Web 页面的复杂程度。两次 time.time() 用于计算程序运行时间。

    2. 这个程序的执行速度是 13.7 秒，这个结果并不算太好，也不算太糟。

    3. 但如果需要检索数百个 Web 页面，那么按照这个平均值，总时间需要花费大约 1000 秒的时间。如果需要检索更多页面呢？

 下面给出线程化版本：

import queue
import threading
from urllib import request
import time

hosts = ["http://yahoo.com", "http://amazon.com", "http://ibm.com", "http://apple.com"]

in_queue = queue.Queue()

class ThreadUrl(threading.Thread):
    """Threaded Url Grab"""
    def __init__(self, in_queue):
        threading.Thread.__init__(self)
        self.in_queue = in_queue

    def run(self):
        while True:
            #grabs host from queue
            host = self.in_queue.get()
          
            #grabs urls of hosts and prints first 1024 bytes of page
            url = request.urlopen(host)
            print(url.read(200))
          
            #signals to queue job is done
            self.in_queue.task_done()

start = time.time()

def main():

    #spawn a pool of threads, and pass them queue instance 
    for i in range(4):
        t = ThreadUrl(in_queue)
        t.setDaemon(True)
        t.start()
    
    #populate queue with data   
        for host in hosts:
            in_queue.put(host)
     
    #wait on the queue until everything has been processed     
    in_queue.join()

main()
print("Elapsed Time: %s" % (time.time() - start))

    代码解读

    1. 与第一个线程示例相比，它并没有复杂多少，因为使用了队列模块。

    2. 创建一个 queue.Queue() 的实例，然后使用数据对它进行填充。

    3. 将经过填充数据的实例传递给线程类，后者是通过继承 threading.Thread 的方式创建的。

    4. 生成守护线程池。

    5. 每次从队列中取出一个项目，并使用该线程中的数据和 run 方法以执行相应的工作。

    6. 在完成这项工作之后，使用 queue.task_done() 函数向任务已经完成的队列发送一个信号。

    7. 对队列执行 join 操作，实际上意味着等到队列为空，再退出主程序。

在使用这个模式时需要注意一点：通过将守护线程设置为 true，将允许主线程或者程序仅在守护线程处于活动状态时才能够退出。这种方式创建了一种简单的方式以控制程序流程，因为在退出之前，您可以对队列执行 join 操作、或者等到队列为空。

join()保持阻塞状态，直到处理了队列中的所有项目为止。在将一个项目添加到该队列时，未完成的任务的总数就会增加。当使用者线程调用 task_done() 以表示检索了该项目、并完成了所有的工作时，那么未完成的任务的总数就会减少。当未完成的任务的总数减少到零时，join() 就会结束阻塞状态。

三、使用多个队列

 下一个示例有两个队列。其中一个队列的各线程获取的完整 Web 页面，然后将结果放置到第二个队列中。然后，对加入到第二个队列中的另一个线程池进行设置，然后对 Web 页面执行相应的处理。

提取所访问的每个页面的 title 标记，并将其打印输出。

import queue
import threading
from urllib import request
import time
from bs4 import BeautifulSoup

hosts = ["http://yahoo.com", "http://amazon.com", "http://ibm.com", "http://apple.com"]

in_queue = queue.Queue()
out_queue = queue.Queue()

class ThreadUrl(threading.Thread):
    """Threaded Url Grab"""
    def __init__(self, in_queue, out_queue):
        threading.Thread.__init__(self)
        self.in_queue = in_queue
        self.out_queue = out_queue

    def run(self):
        while True:
            #grabs host from queue
            host = self.in_queue.get()

            #grabs urls of hosts and then grabs chunk of webpage
            url = request.urlopen(host)
            chunk = url.read()

            #place chunk into out queue
            self.out_queue.put(chunk)

            #signals to queue job is done
            self.in_queue.task_done()

class DatamineThread(threading.Thread):
    """Threaded Url Grab"""
    def __init__(self, out_queue):
        threading.Thread.__init__(self)
        self.out_queue = out_queue

    def run(self):
        while True:
            #grabs host from queue
            chunk = self.out_queue.get()

            #parse the chunk
            soup = BeautifulSoup(chunk)
            print(soup.findAll(['title']))

            #signals to queue job is done
            self.out_queue.task_done()

start = time.time()

def main():

    #spawn a pool of threads, and pass them queue instance
    for i in range(4):
        t = ThreadUrl(in_queue, out_queue)
        t.setDaemon(True)
        t.start()

    #populate queue with data
    for host in hosts:
        in_queue.put(host)

    for i in range(4):
        dt = DatamineThread(out_queue)
        dt.setDaemon(True)
        dt.start()


    #wait on the queue until everything has been processed
    in_queue.join()
    out_queue.join()

main()
print("Elapsed Time: %s" % (time.time() - start))

    代码解读

    1. 我们添加了另一个队列实例，然后将该队列传递给第一个线程池类 ThreadURL。

    2. 对于另一个线程池类 DatamineThread， 几乎复制了完全相同的结构。

    3. 在这个类的 run 方法中，从队列中的各个线程获取 Web 页面、文本块，然后使用 Beautiful Soup 处理这个文本块。

    4. 使用 Beautiful Soup 提取每个页面的 title 标记、并将其打印输出。

    5. 可以很容易地将这个示例推广到一些更有价值的应用场景，因为您掌握了基本搜索引擎或者数据挖掘工具的核心内容。

    6. 一种思想是使用 Beautiful Soup 从每个页面中提取链接，然后按照它们进行导航。