本章内容：

• 线程（线程锁、threading.Event、queue 队列、生产者消费者模型、自定义线程池）
• 进程（数据共享、进程池）
• 协程

线程

Threading用于提供线程相关的操作。线程是应用程序中工作的最小单元，它被包含在进程之中，是进程中的实际运作单位。一条线程指的是进程中一个单一顺序的控制流，一个进程中可以并发多个线程，每条线程并行执行不同的任务。

threading 模块建立在 _thread 模块之上。thread 模块以低级、原始的方式来处理和控制线程，而 threading 模块通过对 thread 进行二次封装，提供了更方便的 api 来处理线程。

import threadingimport timedef worker(num):    time.sleep(1)    print(num)    returnfor i in range(10):    t = threading.Thread(target=worker, args=(i,), name="t.%d" % i)    t.start()

# 继承式调用import threadingimport time  class MyThread(threading.Thread):    def __init__(self,num):        threading.Thread.__init__(self)        self.num = num     def run(self):    #定义每个线程要运行的函数         print("running on number:%s" %self.num)         time.sleep(2) if __name__ == '__main__':     t1 = MyThread(1)    t2 = MyThread(2)    t1.start()    t2.start()

 

thread方法：

• t.start() : 激活线程
• t.getName() : 获取线程的名称
• t.setName() ： 设置线程的名称 
• t.name : 获取或设置线程的名称
• t.is_alive() ： 判断线程是否为激活状态
• t.isAlive() ：判断线程是否为激活状态
• t.setDaemon() 设置为后台线程或前台线程（默认：False）;通过一个布尔值设置线程是否为守护线程，必须在执行start()方法之前才可以使用。如果是后台线程，主线程执行过程中，后台线程也在进行，主线程执行完毕后，后台线程不论成功与否，均停止；如果是前台线程，主线程执行过程中，前台线程也在进行，主线程执行完毕后，等待前台线程也执行完成后，程序停止
• t.isDaemon() ： 判断是否为守护线程
• t.ident ：获取线程的标识符。线程标识符是一个非零整数，只有在调用了start()方法之后该属性才有效，否则它只返回None
• t.join() ：逐个执行每个线程，执行完毕后继续往下执行，该方法使得多线程变得无意义
• t.run() ：线程被cpu调度后自动执行线程对象的run方法

 

 线程锁

threading.RLock & threading.Lock

我们使用线程对数据进行操作的时候，如果多个线程同时修改某个数据，可能会出现不可预料的结果，为了保证数据的准确性，引入了锁的概念。

import threadingimport timenum = 0lock = threading.RLock()    # 实例化锁类def work():    lock.acquire()  # 加锁    global num    num += 1    time.sleep(1)    print(num)    lock.release()  # 解锁for i in range(10):    t = threading.Thread(target=work)    t.start()

　　

threading.RLock和threading.Lock 的区别

RLock允许在同一线程中被多次acquire。而Lock却不允许这种情况。 如果使用RLock，那么acquire和release必须成对出现，即调用了n次acquire，必须调用n次的release才能真正释放所占用的锁。

import threadinglock = threading.Lock()lock.acquire()lock.acquire()  # 产生死锁lock.release()lock.release()

import threadingrlock = threading.RLock()rlock.acquire()rlock.acquire()      # 在同一线程内，程序不会堵塞。rlock.release()rlock.release()print("end.")

　　

threading.Event

Event是线程间通信最间的机制之一：一个线程发送一个event信号，其他的线程则等待这个信号。用于主线程控制其他线程的执行。 Events 管理一个flag，这个flag可以使用set()设置成True或者使用clear()重置为False，wait()则用于阻塞，在flag为True之前。flag默认为False。

• Event.wait([timeout]) ： 堵塞线程，直到Event对象内部标识位被设为True或超时（如果提供了参数timeout）
• Event.set() ：将标识位设为Ture
• Event.clear() ： 将标识伴设为False
• Event.isSet() ：判断标识位是否为Ture

import threading def do(event):    print('start')    event.wait()    print('execute') event_obj = threading.Event()for i in range(10):    t = threading.Thread(target=do, args=(event_obj,))    t.start() event_obj.clear()inp = input('input:')if inp == 'true':    event_obj.set()

　　当线程执行的时候，如果flag为False，则线程会阻塞，当flag为True的时候，线程不会阻塞。它提供了本地和远程的并发性。

 

threading.Condition

Python提供的Condition对象提供了对复杂线程同步问题的支持。Condition被称为条件变量，除了提供与Lock类似的acquire和release方法外，还提供了wait和notify方法。线程首先acquire一个条件变量，然后判断一些条件。如果条件不满足则wait；如果条件满足，进行一些处理改变条件后，通过notify方法通知其他线程，其他处于wait状态的线程接到通知后会重新判断条件。不断的重复这一过程，从而解决复杂的同步问题。

在典型的设计风格里，利用condition变量用锁去通许访问一些共享状态，线程在获取到它想得到的状态前，会反复调用wait()。修改状态的线程在他们状态改变时调用 notify() or notify_all()，用这种方式，线程会尽可能的获取到想要的一个等待者状态。

import threadingimport time def consumer(cond):    with cond:        print("consumer before wait")        cond.wait()        print("consumer after wait") def producer(cond):    with cond:        print("producer before notifyAll")        cond.notifyAll()        print("producer after notifyAll") condition = threading.Condition()c1 = threading.Thread(name="c1", target=consumer, args=(condition,))c2 = threading.Thread(name="c2", target=consumer, args=(condition,)) p = threading.Thread(name="p", target=producer, args=(condition,)) c1.start()time.sleep(2)c2.start()time.sleep(2)p.start()# consumer()线程要等待producer()设置了Condition之后才能继续。

　　

queue 队列

适用于多线程编程的先进先出数据结构，可以用来安全的传递多线程信息。

queue 方法：

• q = queue.Queue(maxsize=0) # 构造一个先进显出队列，maxsize指定队列长度，为0 时，表示队列长度无限制。
• q.join() 　　# 等到队列为kong的时候，在执行别的操作
• q.qsize() 　 # 返回队列的大小 （不可靠）
• q.empty()    # 当队列为空的时候，返回True 否则返回False （不可靠）
• q.full()     # 当队列满的时候，返回True，否则返回False （不可靠）
• q.put(item, block=True, timeout=None) # 将item放入Queue尾部，item必须存在，可以参数block默认为True,表示当队列满时，会等待队列给出可用位置，为False时为非阻塞，此时如果队列已满，会引发queue.Full 异常。 可选参数timeout，表示 会阻塞设置的时间，过后，如果队列无法给出放入item的位置，则引发 queue.Full 异常
• q.get(block=True, timeout=None) # 移除并返回队列头部的一个值，可选参数block默认为True，表示获取值的时候，如果队列为空，则阻塞，为False时，不阻塞，若此时队列为空，则引发 queue.Empty异常。 可选参数timeout，表示会阻塞设置的时候，过后，如果队列为空，则引发Empty异常。
• q.put_nowait(item) # 等效于 put(item,block=False)
• q.get_nowait()     # 等效于 get(item,block=False)

生产者消费者模型

import queueimport threadingque = queue.Queue(10)def s(i):    que.put(i)    # print("size:", que.qsize())def x(i):    g = que.get(i)    print("get:", g)for i in range(1, 13):    t = threading.Thread(target=s, args=(i,))    t.start()for i in range(1, 11):    t = threading.Thread(target=x, args=(i,))    t.start()    print("size:", que.qsize())# 输出结果：get: 1get: 2get: 3get: 4get: 5get: 6get: 7get: 8get: 9get: 10size: 2

 

自定义线程池：

# 自定义线程池（一）import queueimport threadingimport timeclass TreadPool:    def __init__(self, max_num=20):        self.queue = queue.Queue(max_num)        for i in range(max_num):            self.queue.put(threading.Thread)    def get_thread(self):        return self.queue.get()    def add_thread(self):        self.queue.put(threading.Thread)def func(pool, n):    time.sleep(1)    print(n)    pool.add_thread()p = TreadPool(10)for i in range(1, 100):    thread = p.get_thread()    t = thread(target=func, args=(p, i,))    t.start()

# 线程池（二）import queueimport threadingimport contextlibimport timeStopEvent = object()class Threadpool:    def __init__(self, max_num=10):        self.q = queue.Queue()        self.max_num = max_num        self.terminal = False        self.generate_list = []     # 以创建线程列表        self.free_list = []         # 以创建的线程空闲列表    def run(self, func, args, callback=None):        """        线程池执行一个任务        :param func: 任务函数        :param args: 任务函数所需参数        :param callback: 任务执行失败或成功后执行的回调函数，回调函数有两个参数1、任务函数执行状态；2、任务函数返回值（默认为None，即：不执行回调函数）        :return: 如果线程池已经终止，则返回True否则None        """        if len(self.free_list) == 0 and len(self.generate_list) < self.max_num:            self.generate_thread()        w = (func, args, callback,)        self.q.put(w)    def generate_thread(self):        """        创建一个线程        """        t = threading.Thread(target=self.call)        t.start()    def call(self):        """        循环去获取任务函数并执行任务函数        """        current_thread = threading.currentThread    # 当前线程        self.generate_list.append(current_thread)        event = self.q.get()        while event != StopEvent:            func, arguments, callback = event            try:                result = func(*arguments)                status = True            except Exception as e:                status = False                result = e            if callback is not None:                try:                    callback(status, result)                except Exception as e:                    pass            if self.terminal:                event = StopEvent            else:                with self.worker_state(self.free_list, current_thread):                    event = self.q.get()                # self.free_list.append(current_thread)                # event = self.q.get()                # self.free_list.remove(current_thread)        else:            self.generate_list.remove(current_thread)    def close(self):        """        执行完所有的任务后，所有线程停止        """        num = len(self.generate_list)        while num:            self.q.put(StopEvent)            num -= 1    def terminate(self):        """        无论是否还有任务，终止线程        """        self.terminal = True        while self.generate_list:            self.q.put(StopEvent)        self.q.empty()  # 清空队列    @contextlib.contextmanager      # with上下文管理    def worker_state(self, frelist, val):        """        用于记录线程中正在等待的线程数        """        frelist.append(val)        try:            yield        finally:            frelist.remove(val)def work(i):    time.sleep(1)    print(i)pool = Threadpool()for item in range(50):    pool.run(func=work, args=(item,))pool.close()# pool.terminate()

 

进程

# 进程from multiprocessing import Processdef work(name):    print("Hello, %s" % name)if __name__ == "__main__":    p = Process(target=work, args=("nick",))    p.start()    p.join()

　　注意：由于进程之间的数据需要各自持有一份，所以创建进程需要的非常大的开销。

 

数据共享

不同进程间内存是不共享的，要想实现两个进程间的数据交换，可以用以下方法：

Shared memory

数据可以用Value或Array存储在一个共享内存地图里，如下：

from multiprocessing import Process, Value, Array def f(n, a):    n.value = 3.1415927    for i in range(len(a)):        a[i] = -a[i] if __name__ == '__main__':    num = Value('d', 0.0)    arr = Array('i', range(10))     p = Process(target=f, args=(num, arr))    p.start()    p.join()     print(num.value)    print(arr[:])# 输出：3.1415927[0, -1, -2, -3, -4, -5, -6, -7, -8, -9]

创建num和arr时，“d”和“i”参数由Array模块使用的typecodes创建：“d”表示一个双精度的浮点数，“i”表示一个有符号的整数，这些共享对象将被线程安全的处理。

‘c’: ctypes.c_char　　　　 ‘u’: ctypes.c_wchar　　　　‘b’: ctypes.c_byte　　　　 ‘B’: ctypes.c_ubyte‘h’: ctypes.c_short　　　  ‘H’: ctypes.c_ushort　　  ‘i’: ctypes.c_int　　　　　 ‘I’: ctypes.c_uint‘l’: ctypes.c_long,　　　　‘L’: ctypes.c_ulong　　　　‘f’: ctypes.c_float　　　　‘d’: ctypes.c_double

from multiprocessing import Process,Arraytemp = Array('i', [11,22,33,44]) def Foo(i):    temp[i] = 100+i    for item in temp:        print i,'----->',item for i in range(2):    p = Process(target=Foo,args=(i,))    p.start()

Server process

由Manager()返回的manager提供list, dict, Namespace, Lock, RLock, Semaphore, BoundedSemaphore, Condition, Event, Barrier, Queue, Value and Array类型的支持。

from multiprocessing import Process, Manager def f(d, l):    d[1] = '1'    d['2'] = 2    d[0.25] = None    l.reverse() if __name__ == '__main__':    with Manager() as manager:        d = manager.dict()        l = manager.list(range(10))         p = Process(target=f, args=(d, l))        p.start()        p.join()         print(d)        print(l)# 输出结果：{0.25: None, 1: '1', '2': 2}[9, 8, 7, 6, 5, 4, 3, 2, 1, 0]

Server process manager比 shared memory 更灵活，因为它可以支持任意的对象类型。另外，一个单独的manager可以通过进程在网络上不同的计算机之间共享，不过他比shared memory要慢。

# manage.dict()共享数据from multiprocessing import Process,Manager manage = Manager()dic = manage.dict() def Foo(i):    dic[i] = 100+i    print dic.values() for i in range(2):    p = Process(target=Foo,args=(i,))    p.start()    p.join()

当创建进程时（非使用时），共享数据会被拿到子进程中，当进程中执行完毕后，再赋值给原值。

#!/usr/bin/env python# -*- coding:utf-8 -*-from multiprocessing import Process, Array, RLockdef Foo(lock,temp,i):    """    将第0个数加100    """    lock.acquire()    temp[0] = 100+i    for item in temp:        print i,'----->',item    lock.release()lock = RLock()temp = Array('i', [11, 22, 33, 44])for i in range(20):    p = Process(target=Foo,args=(lock,temp,i,))    p.start()

 

进程池

进程池内部维护一个进程序列，当使用时，则去进程池中获取一个进程，如果进程池序列中没有可供使用的进进程，那么程序就会等待，直到进程池中有可用进程为止。

方法:

• apply(func[, args[, kwds]]) ：使用arg和kwds参数调用func函数，结果返回前会一直阻塞，由于这个原因，apply_async()更适合并发执行，另外，func函数仅被pool中的一个进程运行。

• apply_async(func[, args[, kwds[, callback[, error_callback]]]]) ： apply()方法的一个变体，会返回一个结果对象。如果callback被指定，那么callback可以接收一个参数然后被调用，当结果准备好回调时会调用callback，调用失败时，则用error_callback替换callback。 Callbacks应被立即完成，否则处理结果的线程会被阻塞。

• close() ： 阻止更多的任务提交到pool，待任务完成后，工作进程会退出。

• terminate() ： 不管任务是否完成，立即停止工作进程。在对pool对象进程垃圾回收的时候，会立即调用terminate()。

• join() : wait工作线程的退出，在调用join()前，必须调用close() or terminate()。这样是因为被终止的进程需要被父进程调用wait（join等价与wait），否则进程会成为僵尸进程

进程池中有两个方法：

• apply
• apply_async

from multiprocessing import Poolimport timedef myFun(i):    time.sleep(2)    return i+100def end_call(arg):    print("end_call",arg)p = Pool(5)# print(p.map(myFun,range(10)))for i in range(10):    p.apply_async(func=myFun,args=(i,),callback=end_call)print("end")p.close()p.join()

from multiprocessing import Pool, TimeoutErrorimport timeimport os def f(x):    return x*x if __name__ == '__main__':    # 创建4个进程     with Pool(processes=4) as pool:         # 打印 "[0, 1, 4,..., 81]"         print(pool.map(f, range(10)))         # 使用任意顺序输出相同的数字，         for i in pool.imap_unordered(f, range(10)):            print(i)         # 异步执行"f(20)"         res = pool.apply_async(f, (20,))      # 只运行一个进程         print(res.get(timeout=1))             # 输出 "400"          # 异步执行 "os.getpid()"         res = pool.apply_async(os.getpid, ()) # 只运行一个进程         print(res.get(timeout=1))             # 输出进程的 PID          # 运行多个异步执行可能会使用多个进程         multiple_results = [pool.apply_async(os.getpid, ()) for i in range(4)]        print([res.get(timeout=1) for res in multiple_results])         # 是一个进程睡10秒         res = pool.apply_async(time.sleep, (10,))        try:            print(res.get(timeout=1))        except TimeoutError:            print("发现一个 multiprocessing.TimeoutError异常")         print("目前，池中还有其他的工作")     # 退出with块中已经停止的池     print("Now the pool is closed and no longer available")

 

协程

　　协程又叫微线程，从技术的角度来说，“协程就是你可以暂停执行的函数”。如果你把它理解成“就像生成器一样”，那么你就想对了。 线程和进程的操作是由程序触发系统接口，最后的执行者是系统；协程的操作则是程序员。

　　协程存在的意义：对于多线程应用，CPU通过切片的方式来切换线程间的执行，线程切换时需要耗时（保存状态，下次继续）。协程，则只使用一个线程，在一个线程中规定某个代码块执行顺序。

　　协程的适用场景：当程序中存在大量不需要CPU的操作时（IO），适用于协程。

# 安装pip install gevent# 导入模块import gevent

 

greenlet

# greenletfrom greenlet import greenletdef test1():    print(11)    gr2.switch()    print(22)    gr2.switch()def test2():    print(33)    gr1.switch()    print(44)gr1 = greenlet(test1)gr2 = greenlet(test2)gr1.switch()# 输出结果：11332244

　　

gevent

# geventimport geventdef foo():    print("Running in foo")    gevent.sleep(0)    print("Explicit context switch to foo angin")def bar():    print("Explicit context to bar")    gevent.sleep(0)    print("Implicit context swich back to bar")gevent.joinall([    gevent.spawn(foo),    gevent.spawn(bar),])# 输出结果：Running in fooExplicit context to barExplicit context switch to foo anginImplicit context swich back to bar

 

# 遇到IO自动切换from gevent import monkeymonkey.patch_all()import geventimport requestsdef f(url):    print("FET: %s" % url)    resp = requests.get(url)    data = len(resp.text)    print(url, data)gevent.joinall([    gevent.spawn(f, 'https://www.python.org/'),    gevent.spawn(f, 'https://www.yahoo.com/'),    gevent.spawn(f, 'https://github.com/'),])