一.什么是线程
一条流水线的工作流程(程序中负责执行的东西叫做线程，或者叫进程内部的执行序列)，操作系统能够运算调度的最小单位。
进程是资源单位，线程是执行单位
二.线程和进程的区别
1.开启进程的开销非常大，比开启线程的开销大很多
2.开启进程的速度慢，开启线程的速度快
3.进程之间通过队列等方式实现通信，线程可以共享进程中的数据
1.线程是程序执行的最小单位，进程是操作系统分配资源的最小单位 2.一个标准的线程由线程id，当前指令指针、寄存器和堆栈组成
三.线程的应用
一个文本编辑器：
1.输入文字
2.在屏幕上显示
3.保存在磁盘中
针对以上：1.在一个进程中开启多个线程。 2.开启多个进程。
四.开启线程的两种方式
图解：进程和线程的执行(p.start()，t.start())都是给操作系统发信号，然后操作系统调用cpu来执行进程中的线程(进程是资源单位，线程是执行单位)。
线程的开启和进程没什么区别，只是引入模块不同
from threading import Thread
import time
def sayhi(name):
time.sleep(2)
print(‘%s say hello‘ %name)
if __name__ == ‘__main__‘:
t=Thread(target=sayhi,args=(‘太白‘,))
t.start() # 发送信号，开启线程的速度很快，所以线程先执行
print(‘主线程‘
方式一
from threading import Thread
import time
class Sayhi(Thread):
def __init__(self,name):
super().__init__()
self.name=name
def run(self):
time.sleep(2)
print(‘%s say hello‘ % self.name)
if __name__ == ‘__main__‘:
t = Sayhi(‘egon‘)
t.start()
print(‘主线程‘)
方式二
五.线程vs进程的代码对比
线程与进程的对比(理论)
1:开启进程的开销非常大,要比开启线程的开销大很多
2:开启线程的速度非常快,要比开启进程的开销快几十倍上百倍
3:线程与线程之间可以共享数据,而进程与进程之间要借用队列等方法通信
线程的应用
1并发:一个cpu看起来像是同时执行多个任务
2单个进程下开启三个线程,并发的执行任务(相对好一点,分场景)
3开启三个进程并发的执行任务
from threading import Thread
from multiprocessing import Process
import time
#多线程
def task(name):
print(f‘{name} is running‘)
time.sleep(1)
print(f‘{name} is gone‘)
if __name__ == ‘__main__‘:
t1=Thread(target=task,args=(‘liyr‘,))
t1.start()
print(‘==主线程‘)
#打印结果
# liyr is running
# ==主线程
# liyr is gone
#多进程(永远是主进程先打印)
def task(name):
print(f‘{name} is running‘)
time.sleep(1)
print(f‘{name} is gone‘)
if __name__ == ‘__main__‘:
t1=Process(target=task,args=(‘liyr‘,))
t1.start()
print(‘==主线程‘)
#打印结果
# ==主线程
# liyr is running
# liyr is gone
进程和线程开启速度对比
from threading import Thread
from multiprocessing import Process
import time,os
# 多线程
def task(name):
print(os.getpid())
if __name__ == ‘__main__‘:
t1=Thread(target=task,args=(‘liyr‘,))
t2=Thread(target=task,args=(‘liyr‘,))
t1.start()
t2.start()
print(f‘==主线程:{os.getpid()}‘)
#打印结果
# 15692
# 15692
# ==主线程:15692
#多进程(子进程依赖于主进程)
def task(name):
print(os.getpid())
print(f‘=主线程:{os.getppid()}‘)
if __name__ == ‘__main__‘:
t1=Process(target=task,args=(‘liyr‘,))
t2=Process(target=task,args=(‘liye‘,))
t1.start()
t2.start()
print(f‘==主线程:{os.getpid()}‘)
#打印结果
# ==主线程:8496
# 15600
# 14712
# =主线程:8496
# =主线程:8496
进程与线程pid对比
from threading import Thread
x = 3
def task(name):
global x
x = 100
if __name__ == ‘__main__‘:
t1 = Thread(target=task, args=(‘liyr‘,))
t1.start()
t1.join()
print(f‘==主线程:{x}‘)
#同一个进程内的资源对于这个进程的多个线程来说是共享的
同一进程内线程资源共享
六.守护线程
对于主线程来说，运行完毕指的是主线程所在进程内所有非守护线程全部运行完毕，主线程才运行完毕
如果守护线程的生命周期小于其他线程,则会先结束,否则要等待其他非守护线程和主线程结束之后结束
from threading import Thread
import time
def task(name):
print(f‘{name} is running‘)
time.sleep(3)
print(f‘{name} is gone‘)
if __name__ == ‘__main__‘:
t1=Thread(target=task,args=(‘li‘,))
# t2=Thread(target=task,args=(‘liyr‘,))
t1.daemon=True
t1.start()#线程的开启速度要比进程快很多
# t2.start()
print(‘==主线程‘)
# 守护线程 等待非守护子线程以及主线程结束之后,结束.
from threading import Thread
import time
def foo():
print(123) # 1
time.sleep(1)
print("end123") # 4
def bar():
print(456) # 2
time.sleep(3)
print("end456") # 5
t1=Thread(target=foo)
t2=Thread(target=bar)
t1.daemon=True
t1.start()
t2.start()
print("main-------") # 3
‘‘‘
123
456
main-------
end123
end456
‘‘‘
示例
七.线程的其他方法
Thread实例对象的方法
# isAlive(): 返回线程是否活动的。
# getName(): 返回线程名。
# setName(): 设置线程名。
threading模块提供的一些方法：
# 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list。正在运行指线程启动后、结束前，不包括启动前和终止后的线程。
# threading.activeCount(): 返回正在运行的线程数量，与len(threading.enumerate())有相同的结果。
from threading import Thread
from threading import currentThread
from threading import enumerate
from threading import activeCount
def task(name):
print(666)
if __name__ == ‘__main__‘:
t1 = Thread(target=task, args=(‘liyr‘,),name=‘呵呵呵‘)
t1.start()
print(t1.isAlive())#判断线程是否活着
t1.setName(‘哈哈哈‘)#设置一个线程名
print(t1.getName())#获取线程名
print(t1.name)#获取线程名(重要)
print(currentThread())#返回当前的线程对象
print(enumerate())#获取当前进程的所有的线程对象列表
print(activeCount())#获取当前活跃的线程数量(重要)
print(f‘==主线程‘)
示例
八.互斥锁
1.互斥锁
互斥锁是控制同步带来的竞争，保证数据的安全性的一种措施
from threading import Thread
from threading import Lock
import time
import random
x = 100
def task(lock):
lock.acquire()
# time.sleep(random.randint(1,2))
global x
temp = x
time.sleep(0.01)
temp = temp - 1
x = temp
lock.release()
if __name__ == ‘__main__‘:
mutex = Lock()
l1 = []
for i in range(100):
t = Thread(target=task,args=(mutex,))
l1.append(t)
t.start()
time.sleep(3)
print(f‘主线程{x}‘)
示例
2.死锁
死锁是指两个线程(进程)在运行过程中由于争夺资源而造成的一种阻塞状态。
产生死锁的原因：1.资源竞争 2.进程间推进顺序不合法
如图：线程A持有锁，线程B持有锁b，下一步线程A等待获取锁b，线程B等待获取锁a，两者都未释放，造成死锁现象。
from threading import Thread,Lock
import time
lock_A = Lock()
lock_B = Lock()
class MyThread(Thread):
def run(self):
self.f1()
self.f2()
def f1(self):
lock_A.acquire()
print(f"{self.name}抢到了A锁")
lock_B.acquire()
print(f"{self.name}抢到了B锁")
lock_B.release()
print(f"{self.name}释放了B锁")
lock_A.release()
print(f"{self.name}释放了A锁")
def f2(self):
lock_B.acquire()
print(f"{self.name}抢到了B锁")
time.sleep(0.1)
lock_A.acquire()
print(f"{self.name}抢到了A锁")
lock_A.release()
print(f"{self.name}释放了A锁")
lock_B.release()
print(f"{self.name}释放了B锁")
if __name__ == ‘__main__‘:
for i in range(3):
t = MyThread()
t.start()
示例
3.递归锁
递归锁可以解决死锁现象，当业务需要多个锁时，优先考虑递归锁.指向同一把锁：lock_a = lock_b = Rlock()
|
1 |
|
from threading import Thread,RLock
import time
lock_A = lock_B = RLock()
class MyThread(Thread):
def run(self):
self.f1()
self.f2()
def f1(self):
lock_A.acquire()
print(f"{self.name}抢到了A锁")
lock_B.acquire()
print(f"{self.name}抢到了B锁")
lock_B.release()
print(f"{self.name}释放了B锁")
lock_A.release()
print(f"{self.name}释放了A锁")
def f2(self):
lock_B.acquire()
print(f"{self.name}抢到了B锁")
time.sleep(0.1)
lock_A.acquire()
print(f"{self.name}抢到了A锁")
lock_A.release()
print(f"{self.name}释放了A锁")
lock_B.release()
print(f"{self.name}释放了B锁")
if __name__ == ‘__main__‘:
for i in range(3):
t = MyThread()
t.start()
示例
4.信号量
信号量也是一把锁，用来控制并发数量
|
1 2 3 4 5 6 |
|
from threading import Thread, Semaphore, current_thread
import time
import random
sem = Semaphore(5)
def task():
sem.acquire()
print(f‘{current_thread().name} 厕所ing‘)
time.sleep(random.randint(1,3))
sem.release()
if __name__ == ‘__main__‘:
for i in range(20):
t = Thread(target=task,)
t.start()
#同一时间内，只有指定数目的线程数运行任务，当其中的某几个运行完了，立马有相应的线程再来执行。
示例
九.GIL全局锁(the Global Interpreter Lock)
1.GIL全局锁
首先需要明确的一点是GIL并不是Python的特性，它是在实现Python解析器(CPython)时所引入的一个概念，Python完全可以不依赖于GIL。
GIL本质就是一把互斥锁，互斥锁的本质都一样，都是将并发变成串行，保证数据的安全。Jpython，pypy都没有GIL锁。
1.为什么使用GIL全局锁
1.当时都是单核时代,而且cpu价格非常贵.
2.如果不加全局解释器锁, 开发Cpython解释器的程序员就会在源码内部各种主动加锁,解锁,非常麻烦,各种死锁现象等等.他为了省事儿,直接进入解释器时给线程加一个锁.
2.优缺点
优点：保证了Cpython解释器的数据资源的安全
缺点：单个进程的多线程不能使用多核
3.GIL全局锁是针对单个进程中线程的，同一时间内，只能有一个线程获取这把锁。
4.所有线程的任务，都需要将任务的代码当做参数传给解释器的代码去执行，即所有的线程要想运行自己的任务，首先需要解决的是能够访问到解释器的代码
5.一遇到IO，GIL锁就释放。6.为什么有了GIL锁还要自己加锁，GIL锁不是已经保证了同一进程下线程是串行吗？ 这个问题主要还是IO，一旦线程中有了IO，如果不加锁，GIL会自动释放，此时又有其他线程抢到，那么线程执行的任务中数据就不安全。
如图：python解释器分为虚拟机和编译器两部分，一个线程中的代码作为参数传给python解释器，由编译器将其转为c语言识别的字节码，然后由虚拟机将字节码转为机器语言，操作系统调用cpu来执行。
from threading import Thread
import time
x = 100
def task():
global x
temp = x
x = temp - 1
if __name__ == ‘__main__‘:
for i in range(100):
t = Thread(target=task,)
t.start()
print(x)
#打印结果：0
#因为GIL锁，同一时间内只有一个线程执行任务，所以这是串行
示例1
from threading import Thread
import time
x = 100
def task():
global x
temp = x
time.sleep(0.001)
x = temp - 1
if __name__ == ‘__main__‘:
for i in range(100):
t = Thread(target=task,)
t.start()
print(x)
# 打印结果：94，95...不定，因为有阻塞(time.sleep()模仿),在0.001s之内可能有好几个线程拿到x值，剩下的再进行减1
示例2
2.GIL和Lock锁的区别
|
1 2 3 4 5 6 7 |
|
3.验证计算密集型IO密集型的效率
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
|
# import os # print(os.cpu_count()) # 计算密集型用多进程 # from multiprocessing import Process # import time # def task(): # i = 0 # for j in range(100000000): # i+=1 # # if __name__ == ‘__main__‘: # l = [] # start_time = time.time() # for i in range(4): # p = Process(target=task) # l.append(p) # p.start() # for j in l: # j.join() # print(time.time() - start_time) # 计算密集型用多线程 # from threading import Thread # import time # def task(): # i = 0 # for j in range(100000000): # i+=1 # # if __name__ == ‘__main__‘: # l = [] # start_time = time.time() # for i in range(4): # p = Thread(target=task) # l.append(p) # p.start() # for j in l: # j.join() # print(time.time() - start_time) # io密集型用多进程 # from multiprocessing import Process # import time # def task(): # time.sleep(3) # if __name__ == ‘__main__‘: # l = [] # start_time = time.time() # for i in range(4): # p = Process(target=task) # l.append(p) # p.start() # for j in l: # j.join() # print(time.time() - start_time) # io密集型用多线程 # from threading import Thread # import time # def task(): # time.sleep(3) # # if __name__ == ‘__main__‘: # l = [] # start_time = time.time() # for i in range(4): # p = Thread(target=task) # l.append(p) # p.start() # for j in l: # j.join() # print(time.time() - start_time)
示例
十.多线程实现socket通信
from threading import Thread
import socket
phone = socket.socket()
phone.bind((‘127.0.0.1‘,8888))
phone.listen(4)
def communite(conn):
while 1:
try:
ret = conn.recv(1024)
print(ret.decode("utf-8"))
msg = input(">>>")
conn.send(msg.encode("utf-8"))
except Exception:
break
conn.close()
while 1:
conn,addr = phone.accept()
t = Thread(target=communite,args=(conn,))
t.start()
# communite(conn)
phone.close()
服务端
import socket
client = socket.socket()
client.connect((‘127.0.0.1‘,8888))
while 1:
msg = input(">>>")
client.send(msg.encode("utf-8"))
ret = client.recv(1024)
print(ret.decode("utf-8"))
client.close()
客户端
十一..进程池、线程池
我们不能无休止的添加线程(进程)，这样需要用到线程池(进程池)，是容纳的最多的线程数(进程数)。
1.提交任务的两种方式：
同步调用(提交任务，等待任务执行完再继续向下执行)
异步调用(提交任务完成，就立马向下执行，不再等待。一般和回调配合使用，异步处理IO多的，回调处理IO少的)
2.任务执行的三种方式：
阻塞:(程序运行时，遇到IO，程序挂起，cpu被切走)
阻塞
非阻塞:(程序没有遇到IO，或遇到IO但通过某种手段让程序继续执行)
就绪
执行
3.回调函数：按顺序接受每个任务的结果，进行下一步的处理。
concurrent.futures 模块提供了高度封装的异步调用接口
ThreadPoolExecutor:线程池，提供异步调用
ProcessPoolExecutor:进程池:提供异步调用
基本方法:
1.submit() #异步提交任务
2.map(func,*iterables,timeout=None)
取代for循环的submit操作
3.shutdown(wait=True) 相当于进程池的pool.close()+pool.join()操作
wait=True,等待池内所有任务执行完毕回收资源再继续
wait=False,立即返回，并不会等到池内的任务执行完毕
但不管wait参数为何值，整个程序都会等到所有任务执行完毕
submit和map必须在shutdown之前
4.result() #取得submit的结果
5.add_done_callback(fn) #回调函数
from concurrent.futures import ProcessPoolExecutor, ThreadPoolExecutor
import os
import time
import random
# print(os.cpu_count())
def task(n):
print(f‘{os.getpid()} 接客‘)
time.sleep(random.randint(1,3))
if __name__ == ‘__main__‘:
# 开启进程池 (并行(并行+并发))
# p = ProcessPoolExecutor() # 默认不写,进程池里面的进程数与cpu个数相等
#
# # p.submit(task,1)
# # p.submit(task,1)
# # p.submit(task,1)
# # p.submit(task,1)
# # p.submit(task,1)
# # p.submit(task,1)
# # p.submit(task,1)
# for i in range(20):
# p.submit(task,i)
#
# 开启线程池 (并发)
t = ThreadPoolExecutor() # 默认不写, cpu个数*5 线程数
# t = ThreadPoolExecutor(100) # 100个线程
for i in range(20):
t.submit(task,i)
示例1
import time
import os
import threading
from concurrent.futures import ThreadPoolExecutor,ProcessPoolExecutor
def func(n):
time.sleep(2)
print(‘%s打印的：‘%(threading.get_ident()),n)
return n*n
tpool = ThreadPoolExecutor(max_workers=5) #默认一般起线程的数据不超过CPU个数*5
# tpool = ProcessPoolExecutor(max_workers=5) #进程池的使用只需要将上面的ThreadPoolExecutor改为ProcessPoolExecutor就行了，其他都不用改
#异步执行
t_lst = []
for i in range(5):
t = tpool.submit(func,i) #提交执行函数,返回一个结果对象，i作为任务函数的参数 def submit(self, fn, *args, **kwargs): 可以传任意形式的参数
t_lst.append(t) #
# print(t.result())
#这个返回的结果对象t，不能直接去拿结果，不然又变成串行了，可以理解为拿到一个号码，等所有线程的结果都出来之后，我们再去通过结果对象t获取结果
tpool.shutdown() #起到原来的close阻止新任务进来 + join的作用，等待所有的线程执行完毕
print(‘主线程‘)
for ti in t_lst:
print(‘>>>>‘,ti.result()
示例2
from concurrent.futures import ThreadPoolExecutor,ProcessPoolExecutor
import threading
import os,time,random
def task(n):
print(‘%s is runing‘ %threading.get_ident())
time.sleep(random.randint(1,3))
return n**2
if __name__ == ‘__main__‘:
executor=ThreadPoolExecutor(max_workers=3)
# for i in range(11):
# future=executor.submit(task,i)
s = executor.map(task,range(1,5)) #map取代了for+submit
print([i for i in s])
map示例
十二:阻塞,非阻塞,异步,同步
阻塞(站在程序运行的角度):程序遇到IO立马会停止(挂起),CPU马上切换,等到IO结束之后,再执行
非阻塞(站在程序运行的角度):程序没有IO或者遇到IO后可以通过某种手段让CPU去执行其他的任务,尽可能的占用CPU(协程)
异步(站在程序运行的角度):所有的任务同时发出,我就继续执行下一个代码,等结果
#所有的任务同时发出,我就继续执行下一个代码,等结果
#异步执行任务的方式一:将所有的任务结果统一回收
# 异步调用返回值如何接收? 未解决.
from concurrent.futures import ProcessPoolExecutor,ThreadPoolExecutor
import time
import random
import os
def task(i):
print(f‘{os.getpid()}开始任务‘)
time.sleep(random.randint(1,3))
print(f‘{os.getpid()}任务结束‘)
return i
if __name__ == ‘__main__‘:
# 异步调用
pool = ProcessPoolExecutor()
l1 = []
for i in range(10):
obj = pool.submit(task,i)
l1.append(obj)
pool.shutdown(wait=True)
# shutdown: 让我的主进程等待进程池中所有的子进程都结束任务之后,在执行. 有点类似与join.
# shutdown: 在上一个进程池没有完成所有的任务之前,不允许添加新的任务.
# 一个任务是通过一个函数实现的,任务完成了他的返回值就是函数的返回值.
print(l1)
for i in l1:
print(i.result())
print(‘===主‘)
# 统一回收结果: 我不能马上收到任何一个已经完成的任务的返回值,我只能等到所有的任务全部结束统一回收.
异步示例
同步(站在程序运行的角度):任务发布出去之后,自任务开始运行,直到这个任务最终结束之后,给我一个结果,我再发布下个任务
#任务发布出去之后,自任务开始运行,直到这个任务最终结束之后,给我一个结果,我再发布下个任务
# 2. 同步调用
from concurrent.futures import ProcessPoolExecutor,ThreadPoolExecutor
import time
import random
import os
def task(i):
print(f‘{os.getpid()}开始任务‘)
time.sleep(random.randint(1,3))
print(f‘{os.getpid()}任务结束‘)
return i
if __name__ == ‘__main__‘:
# 同步调用
pool = ProcessPoolExecutor()
for i in range(10):
obj = pool.submit(task,i)
# obj是一个动态对象,返回的当前的对象的状态,有可能运行中,可能(就绪阻塞),还可能是结束了.
# obj.result() 必须等到这个任务完成后,返回了结果之后,在执行下一个任务.
print(f‘任务结果:{obj.result()}‘)
pool.shutdown(wait=True)
# shutdown: 让我的主进程等待进程池中所有的子进程都结束任务之后,在执行. 有点类似与join.
# shutdown: 在上一个进程池没有完成所有的任务之前,不允许添加新的任务.
# 一个任务是通过一个函数实现的,任务完成了他的返回值就是函数的返回值.
print(‘===主‘)
同步示例
异步+回调函数(不是万能的)
import requests
from concurrent.futures import ProcessPoolExecutor
import os,time,random
def get(url):
respones=requests.get(url)
print(f‘{os.getpid()}正在爬取{url}的数据‘)
time.sleep(random.randint(1,3))
if respones.status_code==200:
return respones.text
def parse(obj):
print(f‘处理结果{len(obj.result())}‘)
if __name__ == ‘__main__‘:
url_list=[
‘http://www.luckincoffee.com/?bd_vid=6839995028662130211‘,
‘https://www.cnblogs.com/jin-xin/p/9076242.html?tdsourcetag=s_pctim_aiomsg‘,
‘https://www.cnblogs.com/jin-xin/articles/7459977.html‘,
‘http://investor.luckincoffee.com/‘
]
p=ProcessPoolExecutor(4)
for i in url_list:
obj=p.submit(get,i)
obj.add_done_callback(parse)#增加一个回调函数
p.shutdown(wait=True)
print(‘主‘)
#回调函数是主进程帮助你实现的,回调函数帮你进行分析任务,明确了进程的任务,只有一个网络爬取
#分析任务:回调函数执行了,实现了对函数的解耦(回调函数是串行的)
#极值情况:如果回调函数是IO任务,那么由于你的回调函数是主进程做的,所以有可能影响效率
#如果多个任务,多进程多线程的处理的IO任务
1:剩下的任务,非IO阻塞,就用异步+回调
2:剩下的任务,IO<多个任务的IO,就用异步+回调
3:身下的任务,IO>=多个任务的IO,就用第二种方式或者两个线程进程池
‘‘‘
线程池设置4个线程, 异步发起10个任务,每个任务是通过网页获取源码, 并发执行,
当一个任务完成之后,将parse这个分析代码的任务交由剩余的空闲的线程去执行,你这个线程继续去处理其他任务.
如果进程池+回调: 回调函数由主进程去执行.
如果线程池+回调: 回到函数由空闲的线程去执行.
‘‘‘
异步回调示例
十三.Event事件
|
1 2 3 4 5 6 7 |
|
# 版本二: 事件event
‘‘‘
from threading import Thread
from threading import current_thread
from threading import Event
import time
event = Event()
def check():
print(f‘{current_thread().name} 监测服务器是否开启...‘)
time.sleep(3)
print(event.is_set())
event.set()
print(event.is_set())
print(‘服务器已经开启...‘)
def connect():
print(f‘{current_thread().name} 等待连接...‘)
# event.wait() # 阻塞 直到 event.set() 方法之后
event.wait(1) # 只阻塞1秒,1秒之后如果还没有进行set 直接进行下一步操作.
print(f‘{current_thread().name} 连接成功...‘)
t1 = Thread(target=check,)
t2 = Thread(target=connect,)
t1.start()
t2.start()
‘‘‘
#练习
一个线程监测服务器是否开始,另个一线程判断如果开始了,则显示连接成功,此线程只尝试连接3次,1s 一次,如果超过3次,还没有连接成功,则显示连接失败.
‘‘‘
from threading import Thread
from threading import current_thread
from threading import Event
import time
event = Event()
def check():
print(f‘{current_thread().name} 监测服务器是否开启...‘)
time.sleep(4)
event.set()
print(‘服务器已经开启...‘)
def connect():
count = 1
while not event.is_set():
if count == 4:
print(‘连接次数过多,已断开‘)
break
event.wait(1)
print(f‘{current_thread().name} 尝试连接{count}次‘)
count += 1
else:
print(f‘{current_thread().name} 连接成功...‘)
t1 = Thread(target=check,)
t2 = Thread(target=connect,)
t1.start()
t2.start()
‘‘‘
============================================================
from threading import Thread,current_thread
import time
from threading import Event
e=Event()#默认为False
def task():
print(f‘{current_thread().name}正在监测服务器是否正常‘)
time.sleep(3)
e.set()#改成True
def task1():
print(f‘{current_thread().name}正在尝试链接服务器‘)
e.wait()#轮询监测event是都为True,当其为true,继续执行下一行代码,阻塞
#e.wait(1)设置超时时间,如果event改成了true,代码继续执行,如果超过一秒种,代码继续执行
print(f‘{current_thread().name}服务器链接成功‘)
if __name__ == ‘__main__‘:
t=Thread(target=task)
t.start()
for i in range(4):
t1=Thread(target=task1)
t1.start()
示例
十四.线程队列
进程之间通过队列(from multiprocessing import Queue)下的Queue通信，那么线程之间亦可以通过队列通信
class queue.Queue(maxsize=0) #先进先出
import queue
q=queue.Queue()
q.put(1)
q.put(2)
q.put(3)
q.put(4)
print(q.get())
print(q.get())
print(q.get())
print(q.get())
------------------------------------
from threading import Thread
import queue
def task1(q):
while 1:
print(q.get())
if __name__ == ‘__main__‘:
q = queue.Queue()
for i in range(3):
q.put(i)
t1 = Thread(target=task1,args=(q,))
t1.start()
#打印结果 0 1 2
队列(先进先出)
class queue.LifoQueue(maxsize=0) #last in fisrt out
q=queue.LifoQueue()
q.put(1)
q.put(2)
q.put(3)
print(q.get())
print(q.get())
print(q.get())
-------------------------------
from threading import Thread
import queue
def task1(q):
while 1:
print(q.get())
if __name__ == ‘__main__‘:
q = queue.LifoQueue()
for i in range(3):
q.put(i)
t1 = Thread(target=task1,args=(q,))
t1.start()
#打印结果 2 1 0
堆栈 LIFO 先进后出
class queue.PriorityQueue(maxsize=0) #存储数据时可设置优先级的队列
q=queue.PriorityQueue()
q.put((10,‘垃圾消息‘))
q.put((5,‘一般消息‘))
q.put((0,‘紧急消息‘))
print(q.get())
print(q.get())
print(q.get())
--------------------------------
from threading import Thread
import queue
def task1(q):
while 1:
print(q.get())
if __name__ == ‘__main__‘:
q = queue.PriorityQueue()
for i in range(3):
q.put(i)
# q.put(-10)
t1 = Thread(target=task1,args=(q,))
t1.start()
#打印结果： -10 0 1 2
from threading import Thread
import queue
def task1(q):
while 1:
print(q.get())
if __name__ == ‘__main__‘:
q = queue.PriorityQueue()
q.put((-1,5))
q.put((22,10))
q.put((2,20))
t1 = Thread(target=task1,args=(q,))
t1.start()
#打印结果：
(-1, 5)
(2, 20)
(22, 10)
优先级队列(数字越低,优先级越高)
原文地址：https://www.cnblogs.com/luckinlee/p/11621062.html
时间： 2024-07-30 18:03:24