Python多线程----线程池
需求:假设我们现在有一个多线程项目,每有一个用户连接进来,我们的服务器就会创建一个线程。而我们的服务器最多能够承载100个线程,再多就会崩溃。为了防止恶意用户伪装真实用户构建大量的访问来让我们的服务器崩溃,现在需要对线程数量进行限制,一共只有100个线程,并且当一个用户访问结束以后线程会自动归还,等待下一个用户访问。如果100个线程全部被占用则101个用户进入阻塞时间,直到某一个用户退出,线程得到释放,101个用户才能被通行。
不难看出上面的需求,类似我们MySQL的连接池。既然如此,我们的Python也应该有一个线程池,并且这种问题非常的常见,肯定已经有现成的库以供我们使用。今天我们就来看一下Python标准库中from concurrent.futures下的ThreadPoolExecutor。
第一个例子
# 首先导包
from concurrent.futures import ThreadPoolExecutor
# 创建线程池
executor = ThreadPoolExecutor(10)
# 测试方法
def test_function(num1, num2):
print(num1, num2)
return num1 + num2
# 第一个参数为具体的方法,后面为方法的参数
future = executor.submit(test_function, 1, 2)
# future的result()方法可以获取到函数的执行结果
print(future.result())
执行结果:
1 2
3
ThreadPoolExecutor(pool_count): pool_count代表创建线程的数量,会返回一个该线程池的执行者对象,这个对象的submit()方法和map()方法,能够使用线程池中的线程来执行我们指定的方法,并且返回一个Future对象。Future对象的result()方法,可以获取我们方法执行的结果。如果方法一直没有返回或执行完毕,则result()方法会进入阻塞状态,直到我们的方法返回或执行完毕。
使用map()方法批量执行
from concurrent.futures import ThreadPoolExecutor
executor = ThreadPoolExecutor(10)
def test_function(num1, num2):
print(num1, num2)
return num1 + num2
"""
executor.map(function, 参数1_list, 参数2_list, 参数n_list)
参数1_list: 代表方法第一个参数的列表
参数2_list: 代表方法第二个参数的列表
如:
executor.map(test_function, [1, 2], [5, 5])
代表,执行test_function方法,第一个线程的参数为1和5,第二个线程的参数为2和5。
线程1:test_function(1, 5) 结果为1 + 5 = 6
该方法返回的是一个可迭代的对象,里面直接包含了每个方法执行的结果,不需要调用result()方法。
详情:https://docs.python.org/3/library/concurrent.futures.html
"""
result_iterators = executor.map(test_function, [1, 2], [5, 5])
for result in result_iterators:
print(result)
执行结果:
1 5
2 5
6
7尝试一下所有线程都被占用的情况
import time
from concurrent.futures import ThreadPoolExecutor
# 方便测试创建三个线程
executor = ThreadPoolExecutor(3)
def test_function(num1, num2):
print(num1, num2)
# 方法休眠十秒
time.sleep(10)
return num1 + num2
# 使用三个线程,占用线程池全部线程
# 由于我们的结果是十秒后返回,所以这里也会被阻塞,十秒后才会收到结果
result_iterators = executor.map(test_function, [1, 2, 3], [5, 6, 7])
for result in result_iterators:
print(result)
# 到这里很显然前面三个线程都在使用中,10秒后才能得到执行
future = executor.submit(test_function, 4, 8)
print(future.result())
执行结果:
1 5
2 6
3 7
6
8
10
4 8
12
[Finished in 20.2s]
https://www.imooc.com/article/16217
python线程实现异步任务
了解异步编程
楼主在工作中遇到了以下问题,开发接口爬取数据代码完成之后要写入redis缓存,但是在写入缓存的过程花费2-3s,进行这样就大大影响了接口的性能,于是想到了使用异步存储。
传统的同步编程是一种请求响应模型,调用一个方法,等待其响应返回.
异步编程就是要重新考虑是否需要响应的问题,也就是缩小需要响应的地方。因为越快获得响应,就是越同步化,顺序化,事务化,性能差化。
线程实现异步
思路:通过线程调用的方式,来达到异步非阻塞的效果,也就是说主程序无需等待线程执行完毕,仍然可以继续向下执行。
1.threading模块和thread模块
Python通过两个标准库thread和threading提供对线程的支持。thread提供了低级别的、原始的线程以及一个简单的锁。
threading 模块提供的其他方法:
- threading.currentThread(): 返回当前的线程变量。
- threading.enumerate(): 返回一个包含正在运行的线程的list。正在运行指线程启动后、结束前,不包括启动前和终止后的线程。
- threading.activeCount(): 返回正在运行的线程数量,与len(threading.enumerate())有相同的结果。
除了使用方法外,线程模块同样提供了Thread类来处理线程,Thread类提供了以下方法:
- run(): 用以表示线程活动的方法。
- start():启动线程活动。
- join([time]): 等待至线程中止。这阻塞调用线程直至线程的join() 方法被调用中止-正常退出或者抛出未处理的异常-或者是可选的超时发生。
- isAlive(): 返回线程是否活动的。
- getName(): 返回线程名。
- setName(): 设置线程名。
同步阻塞:
1 import threading,time 2 3 def thead(num): 4 time.sleep(1) 5 print("阻塞程序%s开始执行"%num) 6 time.sleep(3) 7 print("阻塞程序%s执行完毕"%num) 8 9 def main(): 10 print("主方法开始执行") 11 12 for i in range(1,3): 13 thead(i) 14 15 print("主方法执行完毕") 16 return 17 18 if __name__ == '__main__': 19 print(time.ctime()) 20 num = main() 21 print("返回结果为%s"%num) 22 print(time.ctime())
Wed Nov 21 09:22:56 2018 主方法开始执行 阻塞程序1开始执行 阻塞程序1执行完毕 阻塞程序2开始执行 阻塞程序2执行完毕 主方法执行完毕 返回结果为None Wed Nov 21 09:23:04 2018
异步,无需等待线程执行
import threading,time
def thead(num):
# time.sleep(1)
print("线程%s开始执行"%num)
time.sleep(3)
print("线程%s执行完毕"%num)
def main():
print("主方法开始执行")
#创建2个线程
poll = []#线程池
for i in range(1,3):
thead_one = threading.Thread(target=thead, args=(i,))
poll.append(thead_one) #线程池添加线程
for n in poll:
n.start() #准备就绪,等待cpu执行
print("主方法执行完毕")
return
if __name__ == '__main__':
print(time.ctime())
num = main()
print("返回结果为%s"%num)
print(time.ctime())
Wed Nov 21 09:48:00 2018
主方法开始执行
主方法执行完毕
返回结果为None
Wed Nov 21 09:48:00 2018
线程1开始执行
线程2开始执行
线程1执行完毕
线程2执行完毕
2.concurrent.futures模块
concurrent.futures模块实现了对threading(线程)
和multiprocessing(进程)
的更高级的抽象,对编写线程池/进程池提供了直接的支持。
从Python3.2开始,标准库为我们提供了concurrent.futures
模块,它提供了ThreadPoolExecutor
和ProcessPoolExecutor
两个类,ThreadPoolExecutor和ProcessPoolExecutor继承了Executor,分别被用来创建线程池和进程池的代码。(暂时只介绍线程池的使用)
concurrent.futures模块的基础是Exectuor,Executor是一个抽象类,它不能被直接使用。但是它提供的两个子类ThreadPoolExecutor和ProcessPoolExecutor却是非常有用,顾名思义两者分别被用来创建线程池和进程池的代码。我们可以将相应的tasks直接放入线程池/进程池,不需要维护Queue来操心死锁的问题,线程池/进程池会自动帮我们调度。
Future这个概念你可以把它理解为一个在未来完成的操作,这是异步编程的基础,传统编程模式下比如我们操作queue.get的时候,在等待返回结果之前会产生阻塞,cpu不能让出来做其他事情,而Future的引入帮助我们在等待的这段时间可以完成其他的操作。
-
Future Objects:Future类封装了可调用的异步执行.Future 实例通过 Executor.submit()方法创建。
- submit(fn, *args, **kwargs):调度可调用的fn,作为fn(args kwargs)执行,并返回一个表示可调用的执行的Future对象。
-
ThreadPoolExecutor:ThreadPoolExecutor是一个Executor的子类,它使用线程池来异步执行调用。
-
concurrent.futures.ThreadPoolExecutor(max_workers=None, thread_name_prefix=''):Executor子类,使用max_workers规格的线程池来执行异步调用。
在Flask应用中使用异步redis:
from flask import Flask import time from concurrent.futures import ThreadPoolExecutor executor = ThreadPoolExecutor() app = Flask(__name__) @app.route('/') def update_redis(): executor.submit(do_update) return 'ok' def do_update(): time.sleep(3) print('start update cache') time.sleep(1) print("end") if __name__ == '__main__': app.run(debug=True)
“ok“在更新缓存前已经返回。
本文到这里就结束了,着重介绍了线程实现异步的方法。当然还有其他的方法,比如yied实现,还有asyncio模块,后续会继续更新异步编程的文章。
温馨提示
- 本文代码是在python3.5版本测试运行。