多线程可简单理解为同时执行多个任务。
多进程和多线程都可以执行多个任务，线程是进程的一部分。线程的特点是线程之间可以共享内存和变量，资源消耗少（不过在Unix环境中，多进程和多线程资源调度消耗差距不明显，Unix调度较快），缺点是线程之间的同步和加锁比较麻烦。
1.2 添加线程 Thread
导入模块
|
1
|
import threading |
获取已激活的线程数
|
1
|
threading.active_count() |
查看所有线程信息
|
1
|
threading.enumerate() |
查看现在正在运行的线程
|
1
|
threading.current_thread() |
添加线程，threading.Thread()接收参数target代表这个线程要完成的任务，需自行定义
|
1
2
3
4
5
6
7
|
def thread_job(): print('This is a thread of %s' % threading.current_thread())def main(): thread = threading.Thread(target=thread_job,) # 定义线程 thread.start() # 让线程开始工作 if __name__ == '__main__': main() |
1.3 join 功能
因为线程是同时进行的，使用join功能可让线程完成后再进行下一步操作，即阻塞调用线程，直到队列中的所有任务被处理掉。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
import threadingimport timedef thread_job(): print('T1 start\n') for i in range(10): time.sleep(0.1) print('T1 finish\n')def T2_job(): print('T2 start\n') print('T2 finish\n')def main(): added_thread=threading.Thread(target=thread_job,name='T1') thread2=threading.Thread(target=T2_job,name='T2') added_thread.start() #added_thread.join() thread2.start() #thread2.join() print('all done\n')if __name__=='__main__': main() |
例子如上所示，当不使用join功能的时候，结果如下图所示：
当执行了join功能之后，T1运行完之后才运行T2，之后再运行print（‘all done'）
1.4 储存进程结果 queue
queue是python标准库中的线程安全的队列（FIFO）实现,提供了一个适用于多线程编程的先进先出的数据结构，即队列，用来在生产者和消费者线程之间的信息传递
（1）基本FIFO队列
|
1
|
class queue.Queue(maxsize=0) |
maxsize是整数，表明队列中能存放的数据个数的上限，达到上限时，插入会导致阻塞，直至队列中的数据被消费掉，如果maxsize小于或者等于0，队列大小没有限制
（2）LIFO队列 last in first out后进先出
|
1
|
class queue.LifoQueue(maxsize=0) |
（3）优先级队列
|
1
|
class queue.PriorityQueue(maxsize=0) |
视频中的代码，看的还不是特别明白
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
import threadingimport timefrom queue import Queuedef job(l,q): for i in range(len(l)): l[i]=l[i]**2 q.put(l)def multithreading(): q=Queue() threads=[] data=[[1,2,3],[3,4,5],[4,5,6],[5,6,7]] for i in range(4): t=threading.Thread(target=job,args=(data[i],q)) t.start() threads.append(t) for thread in threads: thread.join() results=[] for _ in range(4): results.append(q.get()) print(results)if __name__=='__main__': multithreading() |
运行结果如下所示
图片截取来源：http://www.cnblogs.com/itogo/p/5635629.html
1.5 GIL 不一定有效率
Global Interpreter Lock全局解释器锁，python的执行由python虚拟机（也成解释器主循环）控制，GIL的控制对python虚拟机的访问，保证在任意时刻，只有一个线程在解释器中运行。在多线程环境中能，python虚拟机按照以下方式执行：
1.设置 GIL
2.切换到一个线程去运行
3.运行：
a.指定数量的字节码指令，或
b.线程主动让出控制（可以调用time.sleep(0)）
4.把线程设置为睡眠状态
5.解锁GIL
6.重复1-5
在调用外部代码（如C/C++扩展函数）的时候，GIL将会被锁定，直到这个函数结束为止（由于在这期间没有python的字节码被运行，所以不会做线程切换）。
下面为视频中所举例的代码，将一个数扩大4倍，分为正常方式、以及分配给4个线程去做，发现耗时其实并没有相差太多量级。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
|
import threadingfrom queue import Queueimport copyimport timedef job(l, q): res = sum(l) q.put(res)def multithreading(l): q = Queue() threads = [] for i in range(4): t = threading.Thread(target=job, args=(copy.copy(l), q), name='T%i' % i) t.start() threads.append(t) [t.join() for t in threads] total = 0 for _ in range(4): total += q.get() print(total)def normal(l): total = sum(l) print(total)if __name__ == '__main__': l = list(range(1000000)) s_t = time.time() normal(l*4) print('normal: ',time.time()-s_t) s_t = time.time() multithreading(l) print('multithreading: ', time.time()-s_t) |
运行结果为：
1.6 线程锁 Lock
如果线程1得到了结果，想要让线程2继续使用1的结果进行处理，则需要对1lock，等到1执行完，再开始执行线程2。一般来说对share memory即对共享内存进行加工处理时会用到lock。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
import threadingdef job1(): global A, lock #全局变量 lock.acquire() #开始lock for i in range(10): A += 1 print('job1', A) lock.release() #释放def job2(): global A, lock lock.acquire() for i in range(10): A += 10 print('job2', A) lock.release()if __name__ == '__main__': lock = threading.Lock() A = 0 t1 = threading.Thread(target=job1) t2 = threading.Thread(target=job2) t1.start() t2.start() t1.join() t2.join() |
运行结果如下所示：
总结
以上所述是小编给大家介绍的Python 多线程Threading初学教程，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对服务器之家网站的支持！
原文链接：http://www.cnblogs.com/wwf828/p/7282123.html
