day38

GIL GIOBAL Interpreter Lock

全局解释器锁

    锁就是线程里面那个锁

    锁是为了避免资源竞争造成数据的错乱

Python程序的执行过程

   1.启动解释器进程 Python.exe

    2.解析你的py文件并执行它

每一个py程序中都必须有就是一堆代码其他的解释器参与 解释器

相当于多个线程要调用同一个解释器代码 共享以免竞争 竞争就要出事

给解释器加互斥锁

Python 中 内存管理依赖于 GC （一段用于回收内存的代码）也需要一个线程

除了你自己开的线程 系统还有一些内置线程 就算你的代码不会去竞争解释器 内置线程有可能会竞争

所以必须加锁

当一个线程遇到了io 同时解释器也会自动解锁 去执行其他线程 CPU会切换到其他程序

x = obj  +1
a = obj  +1   2

x = None -1
a = None -1  0

 1.关于GIL性能的讨论：

     解释器加锁以后

       将导致所有线程只能并发 不能达到真正的并行 意味着同一时间只有一个CPU在处理你的线程

          给你的感觉序列低

       代码执行有两种状态

       阻塞i/o失去CPU的执行权 （CPU等待io完成）

       非阻塞 代码注册执行 比如循环一千万次 中途CPU可能切换 很快回来 （CPU在计算）

       假如有32核CPU 要处理一个下载任务 网络速度慢 100/s 文件大小为1024kb

       如果你的代码中io操作非常多 CPU性能不能直接决定你的任务处理速度

   

   案例：

       目前有三个任务 每个任务处理需要一秒 获取元数据需要一小时

       3个CPU 需要一小时1秒

       1个CPU 需要 一小时3秒

   在io密集的程序中 CPU性能无法直接决定程序的执行速度 Python就应该干这种活

   在计算密集的程序中 CPU性能可以直接决定程序的执行速度

计算密集测试：

计算密集任务

def task1():
    sum = 1
    for i in range(10000000):
        sum *= i


def task2():
    sum = 1
    for i in range(10000000):
        sum *= i


def task3():
    sum = 1
    for i in range(10000000):
        sum *= i


def task4():
    sum = 1
    for i in range(10000000):
        sum *= i


def task5():
    sum = 1
    for i in range(10000000):
        sum *= i


def task6():
    sum = 1
    for i in range(10000000):
        sum *= i

if __name__ == '__main__':

    开始时间
    st_time = time.time()
    多线程情况下
    t1 =  Thread(target=task1)
    t2 = Thread(target=task2)
    t3 = Thread(target=task3)
    t4 = Thread(target=task4)
    t5 = Thread(target=task5)
    t6 = Thread(target=task6)

    t1 = Process(target=task1)
    t2 = Process(target=task2)
    t3 = Process(target=task3)
    t4 = Process(target=task4)
    t5 = Process(target=task5)
    t6 = Process(target=task6)


    t1.start()
    t2.start()
    t3.start()
    t4.start()
    t5.start()
    t6.start()
    
    t1.join()
    t2.join()
    t3.join()
    t4.join()
    t5.join()
    t6.join()

    print(time.time() - st_time)

io密集测试：

from threading import Thread
from multiprocessing import Process
import time


# 计算密集任务
def task1():
    time.sleep(3)


def task2():
    time.sleep(3)


def task3():
    time.sleep(3)


def task4():
    time.sleep(3)


def task5():
    time.sleep(3)


def task6():
    time.sleep(3)

if __name__ == '__main__':

    开始时间
    st_time = time.time()
    多线程情况下
    t1 = Thread(target=task1)
    t2 = Thread(target=task2)
    t3 = Thread(target=task3)
    t4 = Thread(target=task4)
    t5 = Thread(target=task5)
    t6 = Thread(target=task6)


    t1 = Process(target=task1)
    t2 = Process(target=task2)
    t3 = Process(target=task3)
    t4 = Process(target=task4)
    t5 = Process(target=task5)
    t6 = Process(target=task6)

    t1.start()
    t2.start()
    t3.start()
    t4.start()
    t5.start()
    t6.start()

    t1.join()
    t2.join()
    t3.join()
    t4.join()
    t5.join()
    t6.join()

    print(time.time() - st_time)

  GIL与互斥锁：

t1 = Thread(target=task,)

t2 = Thread(target=task,)
t1.start()
t2.start()
t1.join()
t2.join()
print(num)

GIL 和自定义互斥锁的区别

全局锁不能保证自己开启的线程安全 但是不叫解释器中的数据安全的

  GIL 在线程用解释器时 自动加锁 在io阻塞时或线程代码执行完毕时 自动解锁

TCP客户端：

import socket

c = socket.socket()
c.connect(("127.0.0.1", 65535))
while True:
    msg = input(">>>:")
    c.send(msg.encode("utf-8"))
    data = c.recv(1024)
    print(data.decode("utf-8"))

进程池：

   进程池就是一个装进程的容器

 为什么出现

     当进程很多的时候方便管理进程

 什么时候用？
    当并发量特别大的时候 例如双十一

    很多时候进程是空闲的 就让他进入进程池 让有任务处理时才从进程池取出来使用

 进程池使用

    ProcessPooIExecutor类

    创建时指定最大进程数 自动创建进程

    调用submit函数将任务提交到进程池中

     创建进程是在调用submit后发生的

总结：

  进程池可以自动创建进程

  进程限制最大数

  自动选择一个空闲的进程帮你错了任务

进程什么时候算空闲

   代码执行完是空闲

IO密集时 用线程池

计算密集时 用进程池

import socket
from multiprocessing import Process

from concurrent.futures import ProcessPoolExecutor

收发数据
def task(c, addr):
    while True:
        try:
            data = c.recv(1024)
            print(data.decode("utf-8"))
            if not data:
                c.close()
                break
            c.send(data.upper())

        except Exception:
            print("连接断开")
            c.close()
            break

if __name__ == '__main__':

    server = socket.socket()

    server.bind(("127.0.0.1",65535))

    server.listen(5)

    创建一个进程池   默认为CPU个数
    pool = ProcessPoolExecutor()

    while True:
        c,addr = server.accept()
        p = Process(target=task,args=(c,addr))
        p.start()
        pool.submit(task,c,addr)

进程什么时候算是空闲：

from concurrent.futures import  ProcessPoolExecutor

import os,time,random

def task():
    time.sleep(random.randint(1,2))
    print(os.getpid())

def run():
    pool = ProcessPoolExecutor(2)
    for i in range(30):
        pool.submit(task)

if __name__ == '__main__':
    run()

线程池：

from concurrent.futures import  ProcessPoolExecutor,ThreadPoolExecutor
from threading import  current_thread

import os,time,random

def task():
    time.sleep(random.randint(1,2))
    print(current_thread())

def run():
    # 默认为cpu核心数 * 5
    pool = ThreadPoolExecutor(3)
    for i in range(30):
        pool.submit(task)

if __name__ == '__main__':
    run()

GIL图

 

 test:

import time,os

print(os.getpid())

time.sleep(100)

test2：

from threading import  Thread,Lock

def task():
    print("咨子线程")

Thread(target=task).start()
Thread(target=task).start()
Thread(target=task).start()

当一个py启动后  会先执行主线程中的代码
在以上代码中又开启了子线程   子线程的任务还是执行代码
解释器在一个进程中只有一个(解释器也是一堆代码)
主线和子线都要去调用解释器的代码 那就产生了竞争关系




my_GIL = Lock()
我的解释器
def my_inerpreter(code_str):
    my_GIL.acquire()
    print("执行代码!!!!")
    print(code_str)
    my_GIL.release()

Thread(target=my_inerpreter,args=("print('1')",)).start()
Thread(target=my_inerpreter,args=("print('2')",)).start()
Thread(target=my_inerpreter,args=("print('3')",)).start()