一、死锁现象与递归锁
进程也是有死锁的
所谓死锁： 是指两个或两个以上的进程或线程在执行过程中，因争夺资源而造成的一种互相等待的现象，若无外力作用，
它们都将无法推进下去。此时称系统处于死锁状态或系统产生了死锁，这些永远在互相等待的进程称为死锁进程，
如下就是死锁
1 死锁------------------- 2 from threading import Thread,Lock,RLock 3 import time 4 mutexA = Lock() 5 mutexB = Lock() 6 class MyThread(Thread): 7 def run(self): 8 self.f1() 9 self.f2() 10 def f1(self): 11 mutexA.acquire() 12 print(‘\033[33m%s 拿到A锁 ‘%self.name) 13 mutexB.acquire() 14 print(‘\033[45%s 拿到B锁 ‘%self.name) 15 mutexB.release() 16 mutexA.release() 17 def f2(self): 18 mutexB.acquire() 19 print(‘\033[33%s 拿到B锁 ‘ % self.name) 20 time.sleep(1) #睡一秒就是为了保证A锁已经被别人那到了 21 mutexA.acquire() 22 print(‘\033[45m%s 拿到B锁 ‘ % self.name) 23 mutexA.release() 24 mutexB.release() 25 if __name__ == ‘__main__‘: 26 for i in range(10): 27 t = MyThread() 28 t.start() #一开启就会去调用run方法
死锁现象
那么怎么解决死锁现象呢？
解决方法，递归锁：在Python中为了支持在同一线程中多次请求同一资源，python提供了可重入锁RLock。
这个RLock内部维护着一个Lock和一个counter变量，counter记录了acquire的次数，从而使得资源可以被多次require。
直到一个线程所有的acquire都被release，其他的线程才能获得资源。上面的例子如果使用RLock代替Lock，则不会发生死锁
mutexA=mutexB=threading.RLock() #一个线程拿到锁，counter加1,该线程内又碰到加锁的情况，则counter继续加1，这期间所有其他线程都只能等待，等待该线程释放所有锁，即counter递减到0为止
1 # 2.解决死锁的方法--------------递归锁 2 from threading import Thread,Lock,RLock 3 import time 4 mutexB = mutexA = RLock() 5 class MyThread(Thread): 6 def run(self): 7 self.f1() 8 self.f2() 9 def f1(self): 10 mutexA.acquire() 11 print(‘\033[33m%s 拿到A锁 ‘%self.name) 12 mutexB.acquire() 13 print(‘\033[45%s 拿到B锁 ‘%self.name) 14 mutexB.release() 15 mutexA.release() 16 def f2(self): 17 mutexB.acquire() 18 print(‘\033[33%s 拿到B锁 ‘ % self.name) 19 time.sleep(1) #睡一秒就是为了保证A锁已经被别人拿到了 20 mutexA.acquire() 21 print(‘\033[45m%s 拿到B锁 ‘ % self.name) 22 mutexA.release() 23 mutexB.release() 24 if __name__ == ‘__main__‘: 25 for i in range(10): 26 t = MyThread() 27 t.start() #一开启就会去调用run方法
解决死锁
二、信号量Semaphore（其实也是一把锁）
Semaphore管理一个内置的计数器
Semaphore与进程池看起来类似，但是是完全不同的概念。
进程池：Pool(4)，最大只能产生四个进程，而且从头到尾都只是这四个进程，不会产生新的。
信号量：信号量是产生的一堆进程/线程，即产生了多个任务都去抢那一把锁
1 from threading import Thread,Semaphore,currentThread 2 import time,random 3 sm = Semaphore(5) #运行的时候有5个人 4 def task(): 5 sm.acquire() 6 print(‘\033[42m %s上厕所‘%currentThread().getName()) 7 time.sleep(random.randint(1,3)) 8 print(‘\033[31m %s上完厕所走了‘%currentThread().getName()) 9 sm.release() 10 if __name__ == ‘__main__‘: 11 for i in range(20): #开了10个线程 ，这20人都要上厕所 12 t = Thread(target=task) 13 t.start()
Semaphore举例
1 hread-1上厕所 2 Thread-2上厕所 3 Thread-3上厕所 4 Thread-4上厕所 5 Thread-5上厕所 6 Thread-3上完厕所走了 7 Thread-6上厕所 8 Thread-1上完厕所走了 9 Thread-7上厕所 10 Thread-2上完厕所走了 11 Thread-8上厕所 12 Thread-6上完厕所走了 13 Thread-5上完厕所走了 14 Thread-4上完厕所走了 15 Thread-9上厕所 16 Thread-10上厕所 17 Thread-11上厕所 18 Thread-9上完厕所走了 19 Thread-12上厕所 20 Thread-7上完厕所走了 21 Thread-13上厕所 22 Thread-10上完厕所走了 23 Thread-8上完厕所走了 24 Thread-14上厕所 25 Thread-15上厕所 26 Thread-12上完厕所走了 27 Thread-11上完厕所走了 28 Thread-16上厕所 29 Thread-17上厕所 30 Thread-14上完厕所走了 31 Thread-15上完厕所走了 32 Thread-17上完厕所走了 33 Thread-18上厕所 34 Thread-19上厕所 35 Thread-20上厕所 36 Thread-13上完厕所走了 37 Thread-20上完厕所走了 38 Thread-16上完厕所走了 39 Thread-18上完厕所走了 40 Thread-19上完厕所走了
运行结果
三、Event
线程的一个关键特性是每个线程都是独立运行且状态不可预测。如果程序中的其 他线程需要通过判断某个线程的状态来确定自己下一步的操作,这时线程同步问题就会变得非常棘手。为了解决这些问题,我们需要使用threading库中的Event对象。 对象包含一个可由线程设置的信号标志,它允许线程等待某些事件的发生。在 初始情况下,Event对象中的信号标志被设置为假。如果有线程等待一个Event对象, 而这个Event对象的标志为假,那么这个线程将会被一直阻塞直至该标志为真。一个线程如果将一个Event对象的信号标志设置为真,它将唤醒所有等待这个Event对象的线程。如果一个线程等待一个已经被设置为真的Event对象,那么它将忽略这个事件, 继续执行
from threading import Event 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； Event.clear() #恢复
例如1.，有多个工作线程尝试链接MySQL，我们想要在链接前确保MySQL服务正常才让那些工作线程去连接MySQL服务器，如果连接不成功，都会去尝试重新连接。那么我们就可以采用threading.Event机制来协调各个工作线程的连接操作
1 #首先定义两个函数，一个是连接数据库 2 # 一个是检测数据库 3 from threading import Thread,Event,currentThread 4 import time 5 e = Event() 6 def conn_mysql(): 7 ‘‘‘链接数据库‘‘‘ 8 count = 1 9 while not e.is_set(): #当没有检测到时候 10 if count >3: #如果尝试次数大于3，就主动抛异常 11 raise ConnectionError(‘尝试链接的次数过多‘) 12 print(‘\033[45m%s 第%s次尝试‘%(currentThread(),count)) 13 e.wait(timeout=1) #等待检测（里面的参数是超时1秒） 14 count+=1 15 print(‘\033[44m%s 开始链接...‘%(currentThread().getName())) 16 def check_mysql(): 17 ‘‘‘检测数据库‘‘‘ 18 print(‘\033[42m%s 检测mysql...‘ % (currentThread().getName())) 19 time.sleep(5) 20 e.set() 21 if __name__ == ‘__main__‘: 22 for i in range(3): #三个去链接 23 t = Thread(target=conn_mysql) 24 t.start() 25 t = Thread(target=check_mysql) 26 t.start()
详看
2.例如2，红绿灯的例子
1 from threading import Thread,Event,currentThread 2 import time 3 e = Event() 4 def traffic_lights(): 5 ‘‘‘红绿灯‘‘‘ 6 time.sleep(5) 7 e.set() 8 def car(): 9 ‘‘‘车‘‘‘ 10 print(‘\033[42m %s 等绿灯\033[0m‘%currentThread().getName()) 11 e.wait() 12 print(‘\033[44m %s 车开始通行‘ % currentThread().getName()) 13 if __name__ == ‘__main__‘: 14 for i in range(10): 15 t = Thread(target=car) #10辆车 16 t.start() 17 traffic_thread = Thread(target=traffic_lights) #一个红绿灯 18 traffic_thread.start()
红绿灯
四、定时器（Timer）
指定n秒后执行某操作
from threading import Timer
def func(n):
print(‘hello,world‘,n)
t = Timer(3,func,args=(123,)) #等待三秒后执行func函数，因为func函数有参数，那就再传一个参数进去
t.start()
五、线程queue
queue队列 ：使用import queue，用法与进程Queue一样
queue.Queue(maxsize=0) #先进先出
1 # 1.队列----------- 2 import queue 3 q = queue.Queue(3) #先进先出 4 q.put(‘first‘) 5 q.put(‘second‘) 6 q.put(‘third‘) 7 print(q.get()) 8 print(q.get()) 9 print(q.get())
queue.LifoQueue(maxsize=0)#先进后出
1 # 2.堆栈---------- 2 q = queue.LifoQueue() #先进后出（或者后进先出） 3 q.put(‘first‘) 4 q.put(‘second‘) 5 q.put(‘third‘) 6 q.put(‘for‘) 7 print(q.get()) 8 print(q.get()) 9 print(q.get())
queue.PriorityQueue(maxsize=0) #存储数据时可设置优先级的队列
1 # ---------------- 2 ‘‘‘3.put进入一个元组，元组的第一个元素是优先级 3 （通常也可以是数字，或者也可以是非数字之间的比较） 4 数字越小，优先级越高‘‘‘ 5 q = queue.PriorityQueue() 6 q.put((20,‘a‘)) 7 q.put((10,‘b‘)) #先出来的是b,数字越小优先级越高嘛 8 q.put((30,‘c‘)) 9 print(q.get()) 10 print(q.get()) 11 print(q.get())
六、多线程性能测试
1.多核也就是多个CPU（1）cpu越多，提高的是计算的性能（2）如果程序是IO操作的时候（多核和单核是一样的），再多的cpu也没有意义。2.实现并发第一种：一个进程下，开多个线程第二种：开多个进程3.多进程： 优点：可以利用多核 缺点：开销大4.多线程 优点：开销小 缺点：不可以利用多核5多进程和多进程的应用场景 1.计算密集型：也就是计算多，IO少 如果是计算密集型，就用多进程（如金融分析等） 2.IO密集型：也就是IO多，计算少 如果是IO密集型的，就用多线程（一般遇到的都是IO密集型的）下例子练习：
1 # 计算密集型的要开启多进程 2 from multiprocessing import Process 3 from threading import Thread 4 import time 5 def work(): 6 res = 0 7 for i in range(10000000): 8 res+=i 9 if __name__ == ‘__main__‘: 10 l = [] 11 start = time.time() 12 for i in range(4): 13 p = Process(target=work) #1.9371106624603271 #可以利用多核（也就是多个cpu） 14 # p = Thread(target=work) #3.0401737689971924 15 l.append(p) 16 p.start() 17 for p in l: 18 p.join() 19 stop = time.time() 20 print(‘%s‘%(stop-start))
计算密集型
1 # I/O密集型要开启多线程 2 from multiprocessing import Process 3 from threading import Thread 4 import time 5 def work(): 6 time.sleep(3) 7 if __name__ == ‘__main__‘: 8 l = [] 9 start = time.time() 10 for i in range(400): 11 # p = Process(target=work) #34.9549994468689 #因为开了好多进程，它的开销大，花费的时间也就长了 12 p = Thread(target=work) #2.2151265144348145 #当开了多个线程的时候，它的开销小，花费的时间也小了 13 l.append(p) 14 p.start() 15 for i in l : 16 i.join() 17 stop = time.time() 18 print(‘%s‘%(stop-start))
I/O密集型
七、python标准模块----concurrent.futures
时间： 2024-10-09 22:42:12