这篇文章主要介绍“Python多线程即相关理念分析”，在日常操作中，相信很多人在Python多线程即相关理念分析问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”Python多线程即相关理念分析”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！
线程顾名思义，就是一条流水线工作的过程，一条流水线必须属于一个车间，一个车间的工作过程是一个进程。车间负责把资源整合到一起，是一个资源单位，而一个车间内至少有一个流水线。所以，进程只是用来把资源集中到一起（进程只是一个资源单位，或者说资源集合），而线程才是cpu上的执行单位。
总结进程与线程区别：
''' 进程：资源单位 线程：执行单位 线程才是真正干活的人，干活中需要的资源由线程所在进程提供 每个进程肯定自带一个线程 每个进程内可创建多个线程 ''' ''' 开进程： 申请空间 拷贝代码 消耗资源大 开线程： 同一个进程内创建多个线程，无需上述两种操作，消耗资源相对较小 '''
多线程（即多个控制线程）的概念是，在一个进程中存在多个控制线程，多个控制线程共享该进程的地址空间，相当于一个车间内有多条流水线，都共用一个车间的资源。
from threading import Thread
import time
# 方法一
def task(name):
print('%s is running' % name)
time.sleep(1)
print('%s is over' % name)
# 开启线程不需要在main下面执行代码，直接书写就可以
# 但是习惯性的将启动命令写在main下面
t = Thread(target=task, args=('egon',))
t.start() # 创建线程的开销非常小，几乎是代码一执行就已经创建了
print('主')
'''运行结果：
egon is running
主
egon is over
'''
from threading import Thread
class MyThread(Thread):
def __init__(self, name):
# 重写了别人的方法，又不知道别人的方法里有啥，就调用父类的方法
super().__init__()
self.name = name
def run(self):
print('%s is running' % self.name)
time.sleep(1)
print('%s is over' % self.name)
if __name__ == '__main__':
t = MyThread('egon')
t.start()
print('主')
'''运行结果：
egon is running
主
egon is over
'''
看过我讲解进程文章的小伙伴想必都知道jion的功能，线程的jion方法于进程的jion方法功能类似-等待一个线程执行完毕后再执行下一个线程
from threading import Thread
def task(name):
print('%s is running' % name)
time.sleep(1)
print('%s is over' % name)
if __name__ == '__main__':
t=Thread(target=task,args=('egon',))
t.start()
t.join()# 主线程等待子线程运行结束后再执行
print('主')'''
运行结果：
egon is running
egon is over
主
'''
补充一个知识点：同一个进程下的多个线程数据共享，下面为大家举一个简单的案例
from threading import Thread money=100 def task(): global money money=66 if __name__ == '__main__': t=Thread(target=task,args=()) t.start() print(money)
# 结果：66
from threading import Thread
import os,time
def task():
print('子 pid:',os.getpid())
if __name__ == '__main__':
t=Thread(target=task,args=())
t.start()
print('主 pid:',os.getpid())
# 两个线程的pid号一样，说明在同一个进程下'''
运行结果：
子 pid: 13444
主 pid: 13444
'''
# 这是个容易混淆的案例
from threading import Thread,current_thread,active_count
import os,time
def task(n):
print('子',current_thread().name)
time.sleep(n) # 延长线程存活时间
if __name__ == '__main__':
t=Thread(target=task,args=(1,))
t1=Thread(target=task,args=(1,))
t.start()
t1.start()
t.join()
# print('主',current_thread().name)# 获取线程名字
print(active_count()) # 统计当前活跃的进程数'''
运行结果：
子 Thread-1
子 Thread-2
1
'''
# 这里大家容易以为是3，其实运行后只有一个线程在活跃了，其它两个线程运行完后就停止运行了
守护线程与守护进程的概念也类似，其实大家也能注意到，进程与线程有许多知识点即用法都是相通的，理解了一个另一个也是差不多的道理
1、守护线程会随着主线程的结束而结束
2、主线程运行结束后不会立刻结束，会等待所有的其它非守护线程结束后才会结束
3、因为主线程的结束意味着所在进程的结束
from threading import Thread
import time
def task(name):
print('%s is running'%name)
time.sleep(1)
print('%s is over'%name)
if __name__ == '__main__':
t=Thread(target=task,args=('egon',))
t.daemon=True #将t设置为守护线程
t.start()
print('主')'''
运行结果：
egon is running
主
'''
# 稍微有点迷惑性的例子
from threading import Thread
import time
def foo():
print('1234')
time.sleep(1)
print('end1234')
def func():
print('5678')
time.sleep(3)
print('end5678')
if __name__ == '__main__':
t1=Thread(target=foo,args=())
t2=Thread(target=func,args=())
t1.daemon=True # t1设为守护线程，t2为非守护线程
t1.start()
t2.start()
print('主......')'''
运行结果：
1234
5678主......
end1234
end5678
'''
'''
因主线程会等待非守护线程运行结束后在结束，
所有主线程会等待t2（非守护线程）结束再结束，
'''
多个线程操作同一份数据的时候，会出现数据错乱的问题
针对上述问题，解决方式就是加锁处理
from threading import Thread,Lock import time money=100 mutex=Lock() def task(): global money mutex.acquire() tmp=money time.sleep(0.1)# 模拟网络延迟 money=tmp-1 mutex.release() if __name__ == '__main__': t_list=[] for i in range(100): t=Thread(target=task,args=()) t.start() t_list.append(t) for t in t_list: t.join() print(money)
# 运行结果：0
# 多个人操作同一份数据，数据错乱，加锁处理
相信学python的小伙伴都知道，python解释器其实有多个版本
Cpython
Jpython
Pypython
但是普遍使用的都是Cpython解释器
在Cpython解释器中GIL是一把互斥锁，用来阻止同一个进程下的多个线程的同时执行
要注意同一进程下的多个线程无法利用多核优势！！！！
想必大家心中也有不少疑惑：pyhon的多线程是不是一点用都没了呢？？？？
因为Cpython中的内存管理不是线程安全的。多线程并不是一无是处的，在遇到多IO操作的时候，多核的优势也会显示不出来，多进程与多线程的效率在该情况下差不了多少，而此时多进程相对浪费资源，多线程更加节省资源
ps:内存管理就是垃圾回收机制：
1、引用计数
2、标记清除
3、分带回收
# GTL-全局解释器 # 重点：1、GIL不是python的特点而是Cpython解释器的特点 # 2、GIL是保证解释器级别的数据的安全 # 3、GIL会导致同一个进程下的多个线程无法同时进行（即无法利用多核优势） # 4、针对不同的数据还是需要加不同的锁处理 # 5、解释型语言的通病，同一个进程下多个线程无法利用多核优势
多线程是否有用要看具体情况
# 计算密集型（CPU一直工作，也没有IO）（更适合多进程） from multiprocessing import Process from threading import Thread import os,time # 多进程情况 def work(): res=0 for i in range(0,10000000): res*=i if __name__ == '__main__': l=[] print(os.cpu_count())# 获取当前计算机CPU核数 start_time=time.time() for i in range(8):# 我计算机是8核 p= Process(target=work,args=()) p.start() l.append(p) for p in l: p.join() print(time.time()-start_time)
'''
运行结果：
8
2.0726492404937744
'''
# 多线程情况 from multiprocessing import Process from threading import Thread import os,time def work(): res=0 for i in range(0,10000000): res*=i if __name__ == '__main__': l=[] print(os.cpu_count())# 获取当前计算机CPU核数 start_time=time.time() for i in range(8):# 我计算机是8核 t=Thread(target=work,args=()) t.start() l.append(t) for p in l: p.join() print(time.time()-start_time)
'''
运行结果：
8
3.5790603160858154
'''
# 显然可知：计算密集型更时候多进程
# IO密集型（任务一直有IO）(多线程更合适) from multiprocessing import Process from threading import Thread import os,time # 多线程 def work(): time.sleep(1) if __name__ == '__main__': l=[] start_time=time.time() for i in range(40): t=Thread(target=work,args=()) t.start() l.append(t) for p in l: p.join() print(time.time()-start_time) # 运行结果：1.0205152034759521 # 多进程 from multiprocessing import Process from threading import Thread import os,time def work(): time.sleep(1) if __name__ == '__main__': l=[] start_time=time.time() for i in range(40): p= Process(target=work,args=()) # t=Thread(target=work,args=()) # t.start() # l.append(t) p.start() l.append(p) for p in l: p.join() print(time.time()-start_time)
# 运行结果：5.927189588546753
# 显然可知:IO密集型更适合多线程
到此，关于“Python多线程即相关理念分析”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注亿速云网站，小编会继续努力为大家带来更多实用的文章！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
