摘要:申明守护线程需要在开启线程之前。线程池线程都是后台线程。每个线程都使用默认的堆栈大小,以默认的优先级运行,并处于多线程单元中。
创建线程
一个进程必有一个线程,进程也可由多个线程组成,但有一个线程为主线程。
若一个任务需要花10Mins,当只有一个线程时,花费10Mins,当有十个线程时,可能就花费1Mins,所以多线程可以提升任务执行时间,提高工作效率。
python里与线程有关的模块:
_thread 底层
threading
查看当前运行的线程个数:threading.current_thread()
查看当前线程信息:threading.active_count()
import _thread import threading def job(): print("当前线程个数:",threading.active_count()) print("当前线程信息",threading.current_thread()) if __name__=="__main__": job()_thread创建多线程
调用thread模块中的start_new_thread()函数来产生新线程。
thread.start_new_thread(function,args = ())
#_thread创建多线程 import _thread import time def job(name): print("name:%s,time:%s" %(name,time.ctime())) if __name__=="__main__": # 创建多个线程, 但是没有开始执行任务 _thread.start_new_thread(job,("thread1",)) _thread.start_new_thread(job,("thread2",)) while True: #盲等待 passthreading通过实例化Thread类创建多线程
_thread模块提供了低级别的、原始的线程以及一个简单的锁。
threading模块是对_thread再封装,对使用者更友好
通过实例化Thread对象创建线程,Thread的方法有:
run() #Method representing the thread"s activity.
start() #Start the thread"s activity.
join() #Wait until the thread terminates.
is_alive() #Return whether the thread is alive.
import threading def job(name): print("当前执行的任务名:",name) print("当前线程个数:",threading.active_count()) print("当前线程信息:",threading.current_thread()) if __name__=="__main__": t1 = threading.Thread(target=job,name="thread1",args=("job1",)) t2 = threading.Thread(target=job,name="thread2",args=("job2",)) t1.start() #Start the thread"s activity. t2.start()使用多线程与不使用多线程的对比
不使用多线程执行任务,程序会一直等待sleep时间过去,在执行下一条命令。
#不使用多线程 import time def music(name): for i in range(2): print("i am listening :",name) time.sleep(2) def read(book): for i in range(2): print("i am reading :",book) time.sleep(1) if __name__ == "__main__": start_time = time.time() music("空空如也") read("面纱") print("花费时间: %s" %(time.time()-start_time))
使用多线程执行任务,在遇到某一线程需要等待时,会执行其他线程
Thread.join()会等待当前线程执行结束,再执行主线程。
import threading import time def music(name): for i in range(2): print("i am listening :",name) time.sleep(2) def read(book): for i in range(2): print("i am reading :",book) time.sleep(1) if __name__=="__main__": start_time = time.time() t1 = threading.Thread(target=music,args=("空空如也",)) t2 = threading.Thread(target=read,args=("面纱",)) t1.start() t2.start() t1.join() #等待线程执行结束,才执行主程序,防止主线程阻塞子线程 t2.join() end_time = time.time() print("任务执行时间:",end_time-start_time)守护线程setDeamon
当申明一个子线程为守护线程时,主线程结束时,子线程也结束。
申明守护线程需要在开启线程之前。
import threading import time def music(name): for i in range(2): print("listening music :",name) time.sleep(4) def code(pro): for i in range(2): print("i am coding :",pro) time.sleep(5) if __name__=="__main__": st_time = time.time() t1 = threading.Thread(target=music,args=("hello",)) t2 = threading.Thread(target=code,args=("mydiff",)) #将线程申明为守护线程,如果设置为True,当主线程结束,子线程也结束 #必须在启动线程之前进行设置 t1.setDaemon(True) t2.setDaemon(True) #主线程执行结束之后,子线程还没来得及执行结束,整个程序就退出了 t1.start() t2.start() end_time = time.time() print("运行时间:",end_time-st_time)线程同步
如果多个线程共同对某个数据修改,则可能出现不可预料的结果,为了保证数据的正确性,需要对多个线程进行同步。
使用Thread对象的Lock和Rlock可以实现简单的线程同步,这两个对象都有acquire方法和release方法,对于那些需要每次只允许一个线程操作的数据,可以将其操作放到acquire和release方法之间。
import threading def add(lock): #操作变量之前加锁 lock.acquire() global money for i in range(1389993): money+=1 #变量操作完成之后,解锁 lock.release() def reduce(lock): #操作变量之前加锁 lock.acquire() global money for i in range(4728937): money-=1 #变量操作完成之后,解锁 lock.release() if __name__=="__main__": money = 0 lock = threading.Lock() #示例化一个锁对象 t1 = threading.Thread(target=add,args=(lock,)) t2 = threading.Thread(target=reduce,args=(lock,)) t1.start() t2.start() t1.join() t2.join() print("最终金额为:",money)GIL全局解释器锁
Python 代码的执行由 Python 虚拟机(也叫解释器主循环)来控制。Python 在设计之初就考虑到要在主循环中,同时只有一个线程在执行,就像单 CPU 的系统中运行多个进程那样,内存中可以存放多个程序,但任意时刻,只有一个程序在 CPU 中运行。同样地,虽然 Python 解释器中可以“运行”,多个线程,但在任意时刻,只有一个线程在解释器中运行。
对 Python 虚拟机的访问由全局解释器锁(GIL)来控制,正是这个锁能保证同一时刻只有一个线程在运行。
执行过程:
1). 设置GIL 2). 切换到线程去运行对应的任务; 3). 运行 - 执行完了 - time.sleep() - 获取其他信息才能继续执行, eg: 从网络上获取网页信息等; 3. 把线程设置为睡眠状态 4. 解锁GIL 5.再次重复执行上述内容;生产者消费者模型
在工作中,某些模块生成一些数据,由另一些模块负责处理。产生数据的模块,就形象地称为生产者;而处理数据的模块,就称为消费者。在生产者与消费者之间在加个缓冲区,我们形象的称之为仓库,生产者负责往仓库了进商品,而消费者负责从仓库里拿商品,这就构成了生产者消费者模式。
这里,我们用生产者消费者模型来实现多线程的网址访问,节省时间。
#多线程实现生产者消费者模型 #实现不同的网址或ip访问 import threading from urllib.request import urlopen def create_data(): with open("ips.txt","w") as f: f.write("www.baidu.com ") f.write("www.163.com ") for i in range(100): f.write("172.25.254.%s " %(i+1)) def creat_url(filename="ips.txt"): ports=[80,443] with open(filename) as f: ips = [url_info.strip() for url_info in f.readlines()] urls = ["http://%s:%s" %(ip,port) for ip in ips for port in ports] return urls def job(url): try: urlObj = urlopen(url) except Exception as e : print("Warnning!!! %s不可访问" %(url)) else: print("%s可以访问" %(url)) if __name__=="__main__": urls = creat_url() threads = [] for url in urls: t = threading.Thread(target=job,args=(url,)) threads.append(t) t.start() [thread.join() for thread in threads] print("任务执行结束")再封装threading.Thread类 无参版
对threading.Thread类的再封装,执行时无需传递参数
from threading import Thread class IpThread(Thread): def __init__(self): super(IpThread, self).__init__() # 将多线程需要执行的任务重写到run方法中; def run(self): print("this is a JOB") print(type(self)) t = IpThread() t.start()含参版
实现访问Ip地址
import json from threading import Thread from urllib.request import urlopen class IpThread(Thread): #重写构造方法,如果执行的任务需要传递参数,那将参数与self绑定 def __init__(self,jobname,ip): super(IpThread, self).__init__() self.jobname = jobname self.ip = ip #将多线程需要执行的任务重写到run方法中 def run(self): print("this is a %s job" %(self.jobname)) #需要有一个参数,传递ip url = "http://ip.taobao.com/service/getIpInfo.php?ip=%s" % (self.ip) try : # 根据url获取网页的内容, 并且解码为utf-8格式, 识别中文; result = urlopen(url).read().decode("utf-8") except Exception as e: print("访问%s失败" %(self.ip)) else: # 将获取的字符串类型转换为字典, 方便处理 d = json.loads(result)["data"] country = d["country"] city = d["city"] print("%s位于%s,城市为%s" %(self.ip,country,city)) if __name__=="__main__": ips = ["172.25.254.22","8.8.8.8","89.31.136.0"] threads = [] for ip in ips : t = IpThread(jobname="Clawer",ip=ip) threads.append(t) t.start() [thread.join() for thread in threads] print("程序执行结束")线程池
线程池是一种多线程处理形式,处理过程中将任务添加到队列,然后在创建线程后自动启动这些任务。线程池线程都是后台线程。每个线程都使用默认的堆栈大小,以默认的优先级运行,并处于多线程单元中。
from concurrent.futures import ThreadPoolExecutor import time #需要执行的任务 def job(): print("morning sheen") return "new day" if __name__=="__main__": #示例化对象,线程池里最多有10个线程 pool = ThreadPoolExecutor(max_workers=10) #往线程池里扔需要执行的任务,返回一个对象 _base.Future()示例化出来的 f1 = pool.submit(job) f2 = pool.submit(job) #判断任务是否执行结束 print(f1.done()) time.sleep(1) print(f2.done()) #判断是否释放了线程 #获取执行任务的结果 print(f1.result()) print(f2.result())线程池循环执行任务
略
线程池执行任务方式concurrent.futures.ThreadPoolExecutor,在提交任务的时候,有两种方式,一种是submit()函数,另一种是map()函数,两者的主要区别在于:
map可以保证输出的顺序, submit输出的顺序是乱的
如果你要提交的任务的函数是一样的,就可以简化成map。但是假如提交的任务函数是不一样的,或者执行的过程之可能出现异常(使用map执行过程中发现问题会直接抛出错误)就要用到submit()
submit和map的参数是不同的,submit每次都需要提交一个目标函数和对应的参数,map只需要提交一次目标函数,目标函数的参数放在一个迭代器(列表,字典)里就可以。
from urllib.error import HTTPError from urllib.request import urlopen from concurrent.futures import ThreadPoolExecutor,as_completed import time URLS = ["http://httpbin.org", "http://example.com/", "https://api.github.com/"]*3 def get_page(url,timeout = 0.3): #爬取网页信息 try: content = urlopen(url).read() return {"url":url, "len":len(content)} except HTTPError as e: return {"url":url, "len":0} # 方法1: submit提交任务 start_time = time.time() pool = ThreadPoolExecutor(max_workers=20) #submit返回的是Future对象,对于Future对象可以简单地理解为一个在未来完成的操作 futuresObj = [pool.submit(get_page, url) for url in URLS] # # 注意: 传递的是包含futures对象的序列, as_complete返回已经执行完任务的future对象, # # 直到所有的future对应的任务执行完成, 循环结束; for finish_fs in as_completed(futuresObj): print(finish_fs.result() ) #submit返回值Future的方法result(self, timeout=None) """Return the result of the call that the future represents. Args: timeout: The number of seconds to wait for the result if the future isn"t done. If None, then there is no limit on the wait time. Returns: The result of the call that the future represents.""" print("执行时间:%s" %(time.time()-start_time)) # 方法2:通过map方式执行 start2_time = time.time() pool2 = ThreadPoolExecutor(max_workers=20) for res in pool2.map(get_page, URLS): print(res) print("执行时间:%s" %(time.time()-start2_time))
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/42484.html
摘要:在一个进程内部,要同时干多件事,就需要同时运行多个子任务,我们把进程内的这些子任务称为线程。总结一下,多任务的实现方式有三种多进程模式多线程模式多进程多线程模式线程是最小的执行单元,而进程由至少一个线程组成。 进程与线程 很多同学都听说过,现代操作系统比如Mac OS X,UNIX,Linux,Windows等,都是支持多任务的操作系统。 什么叫多任务呢?简单地说,就是操作系统可以同时...
摘要:协程,又称微线程,纤程。最大的优势就是协程极高的执行效率。生产者产出第条数据返回更新值更新消费者正在调用第条数据查看当前进行的线程函数中有,返回值为生成器库实现协程通过提供了对协程的基本支持,但是不完全。 协程,又称微线程,纤程。英文名Coroutine协程看上去也是子程序,但执行过程中,在子程序内部可中断,然后转而执行别的子程序,在适当的时候再返回来接着执行。 最大的优势就是协程极高...
摘要:协程实现连接在网络通信中,每个连接都必须创建新线程或进程来处理,否则,单线程在处理连接的过程中,无法接受其他客户端的连接。所以我们尝试使用协程来实现服务器对多个客户端的响应。 协程实现TCP连接 在网络通信中,每个连接都必须创建新线程(或进程) 来处理,否则,单线程在处理连接的过程中, 无法接受其他客户端的连接。所以我们尝试使用协程来实现服务器对多个客户端的响应。与单一TCP通信的构架...
摘要:多进程执行任务结束,创建进程和销毁进程是时间的,如果长度不够,会造成多线程快过多进程多线程执行任务结束,进程间通信生产者消费者模型与队列演示了生产者和消费者的场景。 进程 Python是运行在解释器中的语言,查找资料知道,python中有一个全局锁(GIL),在使用多进程(Thread)的情况下,不能发挥多核的优势。而使用多进程(Multiprocess),则可以发挥多核的优势真正地提...
摘要:我们来编写一个简单的服务器程序,它接收客户端连接,回复客户端发来的请求。如果一切顺利,新浪的服务器接受了我们的连接,一个连接就建立起来的,后面的通信就是发送网页内容了。 TCP TCP(Transmission Control Protocol 传输控制协议)是一种面向连接的、可靠的、基于字节流的传输层通信协议,由IETF的RFC 793定义。在简化的计算机网络OSI模型中,它完成第四...
阅读 2718·2021-11-16 11:45
阅读 1583·2021-09-26 10:19
阅读 1992·2021-09-13 10:28
阅读 2765·2021-09-08 10:46
阅读 1506·2021-09-07 10:13
阅读 1490·2019-08-30 13:50
阅读 1358·2019-08-30 11:17
阅读 1414·2019-08-29 13:18