进程线程协程

一、进程与线程

1.进程

我们电脑的应用程序，都是进程，假设我们用的电脑是单核的，cpu同时只能执行一个进程。当程序出于I/O阻塞的时候，CPU如果和程序一起等待，那就太浪费了，cpu会去执行其他的程序，此时就涉及到切换，切换前要保存上一个程序运行的状态，才能恢复，所以就需要有个东西来记录这个东西，就可以引出进程的概念了。

进程就是一个程序在一个数据集上的一次动态执行过程。进程由程序，数据集，进程控制块三部分组成。程序用来描述进程哪些功能以及如何完成；数据集是程序执行过程中所使用的资源；进程控制块用来保存程序运行的状态

2.线程

一个进程中可以开多个线程，为什么要有进程，而不做成线程呢？因为一个程序中，线程共享一套数据，如果都做成进程，每个进程独占一块内存，那这套数据就要复制好几份给每个程序，不合理，所以有了线程。

线程又叫轻量级进程，是一个基本的cpu执行单元，也是程序执行过程中的最小单元。一个进程最少也会有一个主线程，在主线程中通过threading模块，在开子线程

3.进程线程的关系

（1）一个线程只能属于一个进程，而一个进程可以有多个线程，但至少有一个线程

（2）资源分配给进程，进程是程序的主体，同一进程的所有线程共享该进程的所有资源

（3）cpu分配给线程，即真正在cpu上运行的是线程

（4）线程是最小的执行单元，进程是最小的资源管理单元

4.并行和并发
并行处理是指计算机系统中能同时执行两个或多个任务的计算方法，并行处理可同时工作于同一程序的不同方面

并发处理是同一时间段内有几个程序都在一个cpu中处于运行状态，但任一时刻只有一个程序在cpu上运行。

并发的重点在于有处理多个任务的能力，不一定要同时；而并行的重点在于就是有同时处理多个任务的能力。并行是并发的子集

以上所说的是相对于所有语言来说的，Python的特殊之处在于Python有一把GIL锁，这把锁限制了同一时间内一个进程只能有一个线程能使用cpu

二、threading模块

这个模块的功能就是创建新的线程，有两种创建线程的方法：

1.直接创建

import threadingimport timedef foo(n):    print('>>>>>>>>>>>>>>>%s'%n)
    time.sleep(3)    print('tread 1')

t1=threading.Thread(target=foo,args=(2,))#arg后面一定是元组，t1就是创建的子线程对象t1.start()#把子进程运行起来print('ending')

上面的代码就是在主线程中创建了一个子线程

运行结果是：先打印>>>>>>>>>>>>>2，在打印ending,然后等待3秒后打印thread 1

2.另一种方式是通过继承类创建线程对象

import  threadingimport timeclass MyThread(threading.Thread):    def __init__(self):
        threading.Thread.__init__(self)    def run(self):        print('ok')
        time.sleep(2)        print('end')

t1=MyThread()#创建线程对象t1.start()#激活线程对象print('end again')

3.join（）方法

这个方法的作用是：在子线程完成运行之前，这个子线程的父线程将一直等待子线程运行完再运行

import threadingimport timedef foo(n):    print('>>>>>>>>>>>>>>>%s'%n)
    time.sleep(n)    print('tread 1')def bar(n):    print('>>>>>>>>>>>>>>>>%s'%n)
    time.sleep(n)    print('thread 2')
s=time.time()
t1=threading.Thread(target=foo,args=(2,))
t1.start()#把子进程运行起来t2=threading.Thread(target=bar,args=(5,))
t2.start()

t1.join()     #只是会阻挡主线程运行，跟t2没关系t2.join()print(time.time()-s)print('ending')'''运行结果：
>>>>>>>>>>>>>>>2
>>>>>>>>>>>>>>>>5
tread 1
thread 2
5.001286268234253
ending'''

4.setDaemon()方法

这个方法的作用是把线程声明为守护线程，必须在start()方法调用之前设置。

默认情况下，主线程运行完会检查子线程是否完成，如果未完成，那么主线程会等待子线程完成后再退出。但是如果主线程完成后不用管子线程是否运行完都退出，就要设置setDaemon（True）

import  threadingimport timeclass MyThread(threading.Thread):    def __init__(self):
        threading.Thread.__init__(self)    def run(self):        print('ok')
        time.sleep(2)        print('end')

t1=MyThread()#创建线程对象t1.setDaemon(True)
t1.start()#激活线程对象print('end again')#运行结果是马上打印ok和 end again #然后程序终止，不会打印end

主线程默认是非守护线程，子线程都是继承的主线程，所以默认也都是非守护线程

5.其他方法

isAlive(): 返回线程是否处于活动中

getName(): 返回线程名

setName(): 设置线程名

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列表

threading.activeCount():返回正在运行的线程数量

三、各种锁

1.同步锁（用户锁，互斥锁）

先来看一个例子：

需求是有一个全局变量的值是100，我们开100个线程，每个线程执行的操作是对这个全局变量减一，最后import threading

import threadingimport timedef sub():    global num
    temp=num

    num=temp-1
    time.sleep(2)
num=100l=[]for i in range(100):
    t=threading.Thread(target=sub,args=())
    t.start()
    l.append(t)for i in l:
    i.join()print(num)

好像一切正常，现在我们改动一下，在sub函数的temp=num,和num=temp-1 中间，加一个time.sleep(0.1),会发现出问题了，结果变成两秒后打印99了，改成time.sleep(0.0001)呢，结果不确定了，但都是90几，这是怎么回事呢？

这就要说到Python里的那把GIL锁了，我们来捋一捋：

首次定义一个全局变量num=100,然后开辟了100个子线程，但是Python的那把GIL锁限制了同一时刻只能有一个线程使用cpu，所以这100个线程是处于抢这把锁的状态，谁抢到了，谁就可以运行自己的代码。在最开始的情况下，每个线程抢到cpu，马上执行了对全局变量减一的操作，所以不会出现问题。但是我们改动后，在全局变量减一之前，让他睡了0.1秒，程序睡着了，cpu可不能一直等着这个线程，当这个线程处于I/O阻塞的时候，其他线程就又可以抢cpu了，所以其他线程抢到了，开始执行代码，要知道0.1秒对于cpu的运行来说已经很长时间了，这段时间足够让第一个线程还没睡醒的时候，其他线程都抢到过cpu一次了。他们拿到的num都是100，等他们醒来后，执行的操作都是100-1,所以最后结果是99.同样的道理，如果睡的时间短一点，变成0.001，可能情况就是当第91个线程第一次抢到cpu的时候，第一个线程已经睡醒了，并修改了全局变量。所以这第91个线程拿到的全局变量就是99，然后第二个第三个线程陆续醒过来，分别修改了全局变量，所以最后结果就是一个不可知的数了。一张图看懂这个过程

这就是线程安全问题，只要涉及到线程，都会有这个问题。解决办法就是加锁

我们在全局加一把锁，用锁把涉及到数据运算的操作锁起来，就把这段代码变成串行的了，上代码：

import threadingimport timedef sub():    global num
    lock.acquire()#获取锁
    temp=num
    time.sleep(0.001)

    num=temp-1
    lock.release()#释放锁
    time.sleep(2)
num=100l=[]
lock=threading.Lock()for i in range(100):
    t=threading.Thread(target=sub,args=())
    t.start()
    l.append(t)for i in l:
    i.join()print(num)

获取这把锁之后，必须释放掉才能再次被获取。这把锁就叫用户锁

2.死锁与递归锁

死锁就是两个及以上进程或线程在执行过程中，因相互制约造成的一种互相等待的现象，若无外力作用，他们将永远卡在那里。举个例子：

 1 import threading,time 2  3 class MyThread(threading.Thread): 4     def __init(self): 5         threading.Thread.__init__(self) 6  7     def run(self): 8  9         self.foo()10         self.bar()11     def foo(self):12         LockA.acquire()13         print('i am %s GET LOCKA------%s'%(self.name,time.ctime()))14         #每个线程有个默认的名字，self.name就获取这个名字15 16         LockB.acquire()17         print('i am %s GET LOCKB-----%s'%(self.name,time.ctime()))18 19         LockB.release()20         time.sleep(1)21         LockA.release()22 23     def bar(self):#与24         LockB.acquire()25         print('i am %s GET LOCKB------%s'%(self.name,time.ctime()))26         #每个线程有个默认的名字，self.name就获取这个名字27 28         LockA.acquire()29         print('i am %s GET LOCKA-----%s'%(self.name,time.ctime()))30 31         LockA.release()32         LockB.release()33 34 LockA=threading.Lock()35 LockB=threading.Lock()36 37 for i in range(10):38     t=MyThread()39     t.start()40 41 #运行结果:42 i am Thread-1 GET LOCKA------Sun Jul 23 11:25:48 201743 i am Thread-1 GET LOCKB-----Sun Jul 23 11:25:48 201744 i am Thread-1 GET LOCKB------Sun Jul 23 11:25:49 201745 i am Thread-2 GET LOCKA------Sun Jul 23 11:25:49 201746 然后就卡住了

上面这个例子中，线程2在等待线程1释放B锁，线程1在等待线程2释放A锁，互相制约

我们在用互斥锁的时候，一旦用的锁多了，很容易就出现这种问题

在Python中，为了解决这个问题，Python提供了一个叫可重用锁（RLock）的概念，这个锁内部维护着一个lock和一个counter变量，counter记录了acquire的次数，每次acquire，counter就加1，每次release,counter就减1，只有counter的值为0的时候，其他线程才能获得资源，下面用RLock替换Lock，在运行就不会卡住了： 

 1 import threading,time 2  3 class MyThread(threading.Thread): 4     def __init(self): 5         threading.Thread.__init__(self) 6  7     def run(self): 8  9         self.foo()10         self.bar()11     def foo(self):12         RLock.acquire()13         print('i am %s GET LOCKA------%s'%(self.name,time.ctime()))14         #每个线程有个默认的名字，self.name就获取这个名字15 16         RLock.acquire()17         print('i am %s GET LOCKB-----%s'%(self.name,time.ctime()))18 19         RLock.release()20         time.sleep(1)21         RLock.release()22 23     def bar(self):#与24         RLock.acquire()25         print('i am %s GET LOCKB------%s'%(self.name,time.ctime()))26         #每个线程有个默认的名字，self.name就获取这个名字27 28         RLock.acquire()29         print('i am %s GET LOCKA-----%s'%(self.name,time.ctime()))30 31         RLock.release()32         RLock.release()33 34 LockA=threading.Lock()35 LockB=threading.Lock()36 37 RLock=threading.RLock()38 for i in range(10):39     t=MyThread()40     t.start()

这把锁又叫递归锁

3.Semaphore(信号量)
这也是一把锁，可以指定有几个线程可以同时获得这把锁，最多是5个（前面说的互斥锁只能有一个线程获得）

import threadingimport time

semaphore=threading.Semaphore(5)def foo():
    semaphore.acquire()
    time.sleep(2)    print('ok')
    semaphore.release()for i in range(10):
    t=threading.Thread(target=foo,args=())
    t.start()

运行结果是每隔两秒就打印5个ok

4.Event对象
线程的运行是独立的，如果线程间需要通信，或者说某个线程需要根据一个线程的状态来执行下一步的操作，就需要用到Event对象。可以把Event对象看作是一个标志位，默认值为假，如果一个线程等待Event对象，而此时Event对象中的标志位为假，那么这个线程就会一直等待，直至标志位为真，为真以后，所有等待Event对象的线程将被唤醒

event.isSet()：返回event的状态值；

event.wait()：如果 event.isSet()==False将阻塞线程；

event.set()： 设置event的状态值为True，所有阻塞池的线程激活进入就绪状态， 等待操作系统调度；设置对象的时候，默认是False的

event.clear()：恢复event的状态值为False。

用一个例子来演示Event对象的用法：

import threading,time

event=threading.Event()     #创建一个event对象def foo():     print('wait.......')
     event.wait()     #event.wait(1)#if event 对象内的标志位为Flase,则阻塞
     #wait()里面的参数的意思是：只等待1秒，如果1秒后还没有把标志位改过来，就不等了，继续执行下面的代码
     print('connect to redis server')print('attempt to start redis sever)')

time.sleep(3)
event.set()for i in range(5):
     t=threading.Thread(target=foo,args=())
     t.start()#3秒之后，主线程结束，但子线程并不是守护线程，子线程还没结束，所以，程序并没有结束，应该是在3秒之后，把标志位设为true，即event.set（）

5.队列

官方文档说队列在多线程中保证数据安全是非常有用的

队列可以理解为是一种数据结构，可以存储数据，读写数据。就类似列表里面加了一把锁

5.1get和put方法

q=queue.Queue()#如果设置参数为20，第21次put的时候，程序就会阻塞住，直到有空位置，也就是有数据被get走11)q.put(3.14(q.get())(q.get())(q.get())(q.get())

get方法中有个默认参数block=True,把这个参数改成False,取不到值的时候就会报错queue.Empty

这样写就等同于写成q.get_nowait())

5.2join和task_done方法

join是用来阻塞进程，与task_done配合使用才有意义。可以用Event对象来理解，没次put()，join里面的计数器加1,没次task_done（），计数器减1，计数器为0的时候，才能进行下次put（）

注意要在每个get()后面都加task_done才行

import queueimport threading#队列里只有put和get两个方法，列表的那些方法都没有q=queue.Queue()#def foo():#存数据
    # while True:
    q.put(111)
    q.put(222)
    q.put(333)
    q.join()    print('ok')#有个join，程序就停在这里def bar():    print(q.get())
    q.task_done()    print(q.get())
    q.task_done()    print(q.get())
    q.task_done()#要在每个get()语句后面都加上t1=threading.Thread(target=foo,args=())
t1.start()
t2=threading.Thread(target=bar,args=())
t2.start()#t1,t2谁先谁后无所谓，因为会阻塞住，等待信号

5.3 其他方法

q.qsize() 返回队列的大小

q.empty() 如果队列为空，返回True,反之False

q.full() 如果队列满了，返回True,反之False

q.full 与 maxsize 大小对应

5.4其他模式

前面说的队列都是先进先出（FIFO）模式，另外还有先进后出（LIFO）模式和优先级队列

先进后出模式创建队列的方式是：class queue.LifoQueue(maxsize)

优先级队列的写法是：class queue.Priorityueue(maxsize)　　

　　q=queue.PriorityQueue()

　　q.put([5,100])#这个方括号只是代表一个序列类型，元组列表都行，但是都必须所有的一样

　　q.put([7,200])

　　q.put([3,"hello"])

　　q.put([4,{"name":"alex"}])

中括号里面第一个位置就是优先级

5.5 生产者消费者模型

生产者就相当于产生数据的线程，消费者就相当于取数据的线程。我们在编写程序的时候，一定要考虑生产数据的能力和消费数据的能力是否匹配，如果不匹配，那肯定要有一方需要等待，所以引入了生产者和消费者模型。

这个模型是通过一个容器来解决生产者和消费者之间的 强耦合问题。有了这个容器，他们不用直接通信，而是通过这个容器，这个容器就是一个阻塞队列，相当于一个缓冲区，平衡了生产者和消费者的能力。我们写程序时用的目录结构，不也是为了解耦和吗

除了解决强耦合问题，生产者消费者模型还能实现并发

当生产者消费者能力不匹配的时候，就考虑加限制，类似if q.qsize()<20,这种

四、多进程

python 中有一把全局锁（GIL）使得多线程无法使用多核，但是如果是多进程，这把锁就限制不了了。如何开多个进程呢，需要导入一个multiprocessing模块

import multiprocessingimport timedef foo():    print('ok')
    time.sleep(2)if __name__ == '__main__':#必须是这个格式
    p=multiprocessing.Process(target=foo,args=())
    p.start()    print('ending')

虽然可以开多进程，但是一定注意不能开太多，因为进程间切换非常消耗系统资源，如果开上千个子进程，系统会崩溃的，而且进程间的通信也是个问题。所以，进程能不用就不用，能少用就少用

1.进程间的通信

进程间通信有两种方式，队列和管道

1.1进程间的队列

每个进程在内存中都是独立的一块空间，不项线程那样可以共享数据，所以只能由父进程通过传参的方式把队列传给子进程

import multiprocessingimport threadingdef foo(q):
    q.put([12,'hello',True])if __name__ =='__main__':
    q=multiprocessing.Queue()#创建进程队列

    #创建一个子线程
    p=multiprocessing.Process(target=foo,args=(q,))    #通过传参的方式把这个队列对象传给父进程    p.start()    print(q.get())

1.2管道

之前学过的socket其实就是管道，客户端 的sock和服务端的conn是管道 的两端，在进程中也是这个玩法，也要有管道的两头

from multiprocessing import  Pipe,Processdef foo(sk):
    sk.send('hello')#主进程发消息
    print(sk.recv())#主进程收消息sock,conn=Pipe()#创建了管道的两头if __name__ == '__main__':

    p=Process(target=foo,args=(sock,))    p.start()    print(conn.recv())#子进程接收消息
    conn.send('hi son')#子进程发消息

2.进程间的数据共享

我们已经通过进程队列和管道两种方式实现了进程间的通信，但是还没有实现数据共享

进程间的数据共享需要引用一个manager对象实现，使用的所有的数据类型都要通过manager点的方式去创建

from multiprocessing import Processfrom multiprocessing import Managerdef foo(l,i):
    l.append(i*i)if __name__ == '__main__':
    manager = Manager()

    Mlist = manager.list([11,22,33])#创建一个共享的列表
    l=[]    for i in range(5):        #开辟5个子进程
        p = Process(target=foo, args=(Mlist,i))
        p.start()
        l.append(p)    for i in l:
        i.join()#join 方法是等待进程结束后再执行下一个
    print(Mlist)

3.进程池

进程池的作用是维护一个最大的进程量，如果超出设置的最大值，程序就会阻塞，知道有可用的进程为止

from multiprocessing import Poolimport timedef foo(n):    print(n)
    time.sleep(2)if __name__ == '__main__':
    pool_obj=Pool(5)#创建进程池

    #通过进程池创建进程
    for i in range(5):
        p=pool_obj.apply_async(func=foo,args=(i,))        #p是创建的池对象
    # pool 的使用是先close()，在join（）,记住就行了    pool_obj.close()
    pool_obj.join()    print('ending')

进程池中有以下几个方法：

1.apply：从进程池里取一个进程并执行2.apply_async：apply的异步版本3.terminate:立刻关闭线程池4.join：主进程等待所有子进程执行完毕，必须在close或terminate之后5.close：等待所有进程结束后，才关闭线程池

五、协程

协程在手，天下我有，说走就走。知道了协程，前面说的进程线程就都忘记吧

协程可以开很多很多，没有上限，切换之间的消耗可以忽略不计

1.yield

先来回想一下yield这个词，熟悉不，对，就是生成器那用的那个。yield是个挺神奇的东西，这是Python的一个特点。

一般的函数，是遇到return就停止，然后返回return 后面的值，默认是None，yield和return很像，但是遇到yield不会立刻停止，而是暂停住，直到遇到next()，(for循环的原理也是next())才会继续执行。yield 前面还可以跟一个变量，通过send()函数给yield传值，把值保存在yield前边的变量中

=
    =
        

        (%1== n<5=n+1        (%=(  == =

看上面的例子，整个过程没有锁的出现，还能保证数据安全，更要命的是还可以控制顺序，优雅的实现了并发，甩多线程几条街

线程叫微进程，而协程又叫微线程。协程拥有自己的寄存器上下文和栈，因此能保留上一次调用的状态。

2.greenlet模块

这个模块封装了yield，使得程序切换非常方便，但是没法实现传值的功能

from greenlet import greenletdef foo():    print('ok1')
    gr2.switch()    print('ok3')
    gr2.switch()def bar():    print('ok2')
    gr1.switch()    print('ok4')

gr1=greenlet(foo)
gr2=greenlet(bar)

gr1.switch()#启动

3.gevent模块

在greenlet模块的基础上，开发出了更牛的模块gevent

gevent为Python提供了更完善的协程支持，其基本原理是：

当一个greenlet遇到IO操作时，就会自动切换到其他的greenlet,等IO操作完成，再切换回来，这样就保证了总有greenlet在运行，而不是等待

import requestsimport geventimport timedef foo(url):

    response=requests.get(url)
    response_str=response.text    print('get data %s'%len(response_str))

s=time.time()
gevent.joinall([gevent.spawn(foo,"https://itk.org/"),
                gevent.spawn(foo, "https://www.github.com/"),
                gevent.spawn(foo, "https://zhihu.com/"),])# foo("https://itk.org/")# foo("https://www.github.com/")# foo("https://zhihu.com/")print(time.time()-s)

4.协程的优缺点：

优点：

　　上下文切换消耗小

　　方便切换控制流，简化编程模型

　　高并发，高扩展性，低成本

缺点：

　　无法利用多核

　　进行阻塞操作时会阻塞掉整个程序

六、IO模型

我们下面会比较四种IO模型

1.blocking IO

2.nonblocking IO

3.IO multiplexing

4.asynchronous IO

我们以网络传输数据的IO为例，它会涉及到两个系统对象，一个是调用这个IO 的线程或者进程，另一个是系统内核，而当读取数据的时候，又会经历两个阶段：

　　等待数据准备

　　将数据从内核态拷贝到用户态的进程中（因为网络的数据传输是靠物理设备实现的，物理设备是硬件，只能有操作系统的内核态才能处理，但是读数据是程序使用的，所以需要这一步的切换）

1.blocking IO（阻塞IO）

典型的read操作如下图

linux下，默认情况的socket都是blocking，回想我们之前用的socket，sock和conn是两个连接，服务端同时只能监听一个连接，所以如果服务端在等待客户端发送消息的时候，其他连接是不能连接到服务端的。

在这种模式下，等待数据和复制数据都需要等待，所以是全程阻塞的

2.nonlocking　IO （非阻塞IO）

在服务端建立连接之后，加上这个命令，就变成了非阻塞IO模式

这种模式，有数据就取，没有就报错，可以加一个异常捕捉。在等待数据的时候不阻塞，但是在copy数据的时候还是会阻塞，

优点是可以把等待连接的这段时间利用上，但是缺点也很明显：有很多次系统调用，消耗很大；而且当程序去做别的事的时候，数据到了，虽然不会丢失，但是程序收到的数据也不具有实时性

3.IO multiplexing（IO多路复用）

这个比较常用，我们以前用的accept()，有两个作用：

　　1.监听，等待连接

　　2.建立连接

现在我们用select来替代accept的第一个作用，select的优点在于可以监听很多对象，无论哪个对象活动，都能做出反应，并将活动的对象收集到一个列表

import socketimport select
sock=socket.socket()
sock.bind(('127.0.0.1',8080))
sock.listen(5)


inp=[sock,]while True:
    r=select.select(inp,[],[])    print('r',r[0])    for obj in r[0]:        if obj == sock:
            conn,addr=obj.accept()

但是建立连接的功能还是accept做，有了这个，我们就可以用并发的方式实现tcp的聊天了

 1 # 服务端 2 import socket 3 import time 4 import select 5  6 sock=socket.socket() 7 sock.setsockopt(socket.SOL_SOCKET,socket.SO_REUSEADDR,1) 8 sock.bind(('127.0.0.1',8080)) 9 sock.listen(5)10 11 inp=[sock,]#监听套接字对象的列表12 13 while True:14     r=select.select(inp,[],[])15     print('r',r[0])16     for obj in r[0]:17         if obj == sock:18             conn,addr=obj.accept()19             inp.append(conn)20         else:21             data=obj.recv(1024)22             print(data.decode('utf8'))23             response=input('>>>>:')24             obj.send(response.encode('utf8'))

只有在建立连接的时候，sock才是活动的，列表中才会有这个对象，如果是在建立连接之后，收发消息的过程中，活动对象就不是sock，而是conn了，所以在实际操作中要判断列表中的对象是不是sock

在这个模型中，等待数据与copy数据的过程都是阻塞的，所以也叫全程阻塞，与阻塞IO模型相比，这个模型优势在于处理多个连接

IO 多路复用除了select，还有两种方式，poll 和 epoll

在windows下只支持select,而在linux中，这三个都有。epoll是最好的，select唯一的优点是多平台都可以用，但是缺点也很明显，就是效率很差。poll是epoll和select的中间过渡，与select相比，poll可以监听的数量没有限制。epoll没有最大连接上限，另外监听机制也完全发生变化，select的机制是轮询（每个数据都检查一遍，即使找到有变化的也会继续检查），epoll的机制是用回调函数，哪个对象有变化，那个就调用这个回调函数

4. Asynchronous IO （异步IO）

这个模式是全程无阻塞，只有全程无阻塞才能叫异步，这个模式虽然看起来不错，但是实际操作起来，如果请求量很大，效率会很低，而且操作系统的任务很重

七、selectors 模块

学会了这个模块，就不用在乎用的是select，还是poll,或者是epoll了，他们的接口都是这个模块。我们只需要知道这个接口怎么用，它里面封装的是什么，就不用考虑了

在这个模块中，套接字与函数的绑定是用的一个regesier()的方法，模块的用法很固定，服务端示例如下：

 1 import selectors,socket 2  3 sel=selectors.DefaultSelector() 4  5 sock=socket.socket() 6 sock.setsockopt(socket.SOL_SOCKET,socket.SO_REUSEADDR,1) 7 sock.bind(('127.0.0.1',8080)) 8 sock.listen(5) 9 sock.setblocking(False)10 11 def read(conn,mask):12     data=conn.recv(1024)13     print(data.decode('utf8'))14     res=input('>>>>>>:')15     conn.send(res.encode('utf8'))16 17 def accept(sock,mask):18     conn,addr=sock.accept()19     sel.register(conn,selectors.EVENT_READ,read)#conn和read函数绑定20 #绑定套接字对象和函数21 #绑定（register）的意思就是，套接字对象conn发生变化时，绑定的函数能执行22 sel.register(sock,selectors.EVENT_READ,accept)#中间那个是固定写法23 while True:24     events=sel.select() #监听套接字对象（注册的那个）25     #下面几行代码基本上就固定写法了26     # print('events',events)27     for key,mask in events:28         callback = key.data#绑定的函数，29         # key.fileobj就是活动的套接字对象30         # print('callback',callable)31         #mask是固定的32         callback(key.fileobj,mask)#callback是回调函数33         # print('key.fileobj',key.fileobj)