python基础之进程、线程、协程
引子
进程
线程(优先阅读)
协程
进程
概念:就是一个程序在一个数据集上的一次动态执行过程(本质上来讲,就是运行中的程序(代指运行过程),程序不运行就不是进程) 抽象概念
组成:
1、程序：我们编写的程序用来描述进程要完成哪些功能以及如何完成
2、数据集：数据集则是程序在执行过程中所需要使用的资源
3、进程控制块：进程控制块用来记录进程的外部特征，描述进程的执行变化过程，系统可以利用它来控制和管理进程，它是系统感知进程存在的唯一标志。
阐释:进程与进程之间都占用的是独立的内存块,它们彼此之间的数据也是独立的
优点:同时利用多个CPU,能够同时进行多个操作
缺点:耗费资源(需要重新开辟内存空间)
构造方法：
Process([group [, target [, name [, args [, kwargs]]]]])
group: 线程组，目前还没有实现，库引用中提示必须是None；
target: 要执行的方法；
name: 进程名；
args/kwargs: 要传入方法的参数。
实例方法：
is_alive()：返回进程是否在运行。
join([timeout])：阻塞当前上下文环境的进程程，直到调用此方法的进程终止或到达指定的timeout（可选参数）。
start()：进程准备就绪，等待CPU调度
run()：strat()调用run方法，如果实例进程时未制定传入target，这star执行t默认run()方法。
terminate()：不管任务是否完成，立即停止工作进程
属性：
daemon：和线程的setDeamon功能一样
name：进程名字。
pid：进程号。
创建进程的方式有俩种
一,通过调用模块的方式来创建线程
# 进程模块
import multiprocessing
import time
def f1():
start = time.time()
sum = 0
for n in range(100000000):
sum += n
print(sum)
print("data:{}".format(time.time() - start))
if __name__ == ‘__main__‘: # windows在调用进程的时候,必须加这句话,否则会报错
li = []
p1 = multiprocessing.Process(target=f1)
li.append(p1)
p2 = multiprocessing.Process(target=f1)
li.append(p2)
for p in li:
p.start()
for i in li:
i.join()
print("ending...")
二,通过继承类的方式(推荐)
import multiprocessing
class Process(multiprocessing.Process):
def run(self):
sum = 0
for n in range(100000000):
sum += n
print(sum)
li = []
for i in range(2):
p = Process()
li.append(p)
if __name__ == ‘__main__‘:
for p in li:
p.start()
for i in li:
i.join()
print("ending")
进程之间的通信
创建进程模块的下队列(Queue)
# 进程之间的通信 Queue
from multiprocessing import Queue, Process, Pipe
import os,time,random
def write(q):
print("process to write{}".format(os.getpid()))
for value in ["A","B","C"]:
print("Put {} to queue...".format(value))
q.put(value)
time.sleep(random.random())
def read(q):
print("process to read{}".format(os.getpid()))
while True:
value = q.get(True)
print("Get {} from queue".format(value))
if __name__ == ‘__main__‘:
q = Queue()
pw = Process(target=write,args=(q,)) # 这里传输的q是copy的
pr = Process(target=read,args=(q,))
pw.start()
pr.start()
pw.join()
pr.terminate() # 强行终止进程(因为这个子进程定义了一个死循环)
管道(Pipe)
# 进程之间的通信 Pipe(类似于socket)
from multiprocessing import Queue, Process, Pipe
import os,time,random
# 说明Pipe的send是没有返回值的
pipe = Pipe()
# print(pipe)
def worker(pipe):
time.sleep(random.random())
for i in range(10):
print("worker send {}".format(pipe.send(i)))
def Boss(pipe):
while True:
print("Boss recv {}".format(pipe.recv()))
p1 = Process(target=worker,args=(pipe[0],))
p2 = Process(target=Boss,args=(pipe[1],))
if __name__ == ‘__main__‘:
p1.start()
p2.start()
上述实现了进程间的数据通信,那么进程可以达到数据共享么？Sure。
前一节中, Pipe、Queue 都有一定数据共享的功能，但是他们会堵塞进程, 这里介绍的两种数据共享方式都不会堵塞进程, 而且都是多进程安全的。
A manager object returned by Manager() controls a server process which holds Python objects and allows other processes to manipulate them using proxies.
A manager returned by Manager() will support types list, dict, Namespace, Lock, RLock, Semaphore, BoundedSemaphore, Condition, Event, Barrier, Queue, Value and Array.
由上述英文我们了解到,通过Manager()可以实现进程上的数据共享,并且支持的类型也由很多，接下来看代码
进程数据共享(Manager)
进程同步
Lock
锁是为了确保数据一致性，比如读写锁，每个进程给一个变量增加 1 ，但是如果在一个进程读取但还没有写入的时候，另外的进程也同时读取了，并写入该值，则最后写入的值是错误的，这时候就需要锁。
# 为什么引申进程同步
# 数据的一致性
import time
from multiprocessing import Lock, Process
def run(i, lock):
with lock: # 自动获得锁和释放锁
time.sleep(1)
print(i)
if __name__ == ‘__main__‘:
lock = Lock()
for i in range(10):
p = Process(target=run,args=(i,lock,))
p.start()
Lock 同时也实现了 ContextManager API, 可以结合 with 语句使用, 关于 ContextManager, 请移步 Python 学习实践笔记 装饰器 与 context 查看。
Semaphore
Semaphore 和 Lock 稍有不同，Semaphore 相当于 N 把锁，获取其中一把就可以执行了。 信号量的总数 N 在构造时传入，s = Semaphore(N)。 和 Lock 一样，如果信号量为0，则进程堵塞，直到信号大于0。
进程池
如果有50个任务要去执行,CPU只有4核,那创建50个进程完成,其实大可不必，徒增管理开销。如果只想创建4个进程，让它们轮流替完成任务，不用自己去管理具体的进程的创建销毁，那 Pool 是非常有用的。
Pool 是进程池，进程池能够管理一定的进程，当有空闲进程时，则利用空闲进程完成任务，直到所有任务完成为止
|
1 2 3 4 5 6 7 8 |
|
从上面的例子来看貌似也看不出什么效果,那么接下来自定义一个进程池
关于进程池的API用法(并不是只有俩个哦)
apply (每个任务是排队进行,类似于串行失去意义)
apply_async (任务都是并发进行,并且可以设置回调函数) 进程的并发其实可以称之为并行了,可以利用到多核CPU
import os,time
from multiprocessing import pool,Process
def run(n):
# print(os.getpid())
time.sleep(1)
print(n)
return n # 该函数的返回值,是回调函数的所要传入的值
def bar(args):
pass
# print("bar {}".format(args))
# print(os.getpid())
if __name__ == ‘__main__‘:
p_pool = pool.Pool(5) # 设置进程池中的最大放置
for n in range(100):
# 回调函数,就是某个函数执行成功或结束执行的函数
p_pool.apply_async(func=run,args=(n,),callback=bar)
p_pool.close() # 进程的关闭和等待是有顺序的
p_pool.join()
print("ending")
# 看看 Pool 的执行流程，有三个阶段。第一、一个进程池接收很多任务，然后分开执行任务；第二、不再接收任务了；第三、等所有任务完成了，回家，不干了。
# 这就是上面的方法，close 停止接收新的任务，如果还有任务来，就会抛出异常。 join 是等待所有任务完成。 join 必须要在 close 之后调用，否则会抛出异常。terminate 非正常终止，内存不够用时，垃圾回收器调用的就是这个方法。
线程
概念:线程是应用程序中工作的最小单元，或者又称之为微进程。
组成:它被包含在进程之中，是进程中的实际运作单位。一条线程指的是进程中一个单一顺序的控制流，一个进程中可以并发多个线程，每条线程并行执行不同的任务。
阐释:线程不能够独立执行，必须依存在应用程序中，由应用程序提供多个线程执行控制。线程可以共享(调用)进程的数据资源
优点:共享内存,IO操作时候,创造并发操作
缺点:"......"(中国文化的博大精深的带引号)
关于多线程
多线程类似于同时执行多个不同程序，多线程运行有如下优点：
- 使用线程可以把占据长时间的程序中的任务放到后台去处理。
- 用户界面可以更加吸引人，这样比如用户点击了一个按钮去触发某些事件的处理，可以弹出一个进度条来显示处理的进度
- 程序的运行速度可能加快
- 在一些等待的任务实现上如用户输入、文件读写和网络收发数据等，线程就比较有用了。在这种情况下我们可以释放一些珍贵的资源如内存占用等等。
线程在执行过程中与进程还是有区别的。每个独立的线程有一个程序运行的入口、顺序执行序列和程序的出口。但是线程不能够独立执行，必须依存在应用程序中，由应用程序提供多个线程执行控制。
每个线程都有他自己的一组CPU寄存器，称为线程的上下文，该上下文反映了线程上次运行该线程的CPU寄存器的状态。
指令指针和堆栈指针寄存器是线程上下文中两个最重要的寄存器，线程总是在进程得到上下文中运行的，这些地址都用于标志拥有线程的进程地址空间中的内存。
- 线程可以被抢占（中断）。
- 在其他线程正在运行时，线程可以暂时搁置（也称为睡眠） -- 这就是线程的退让。
线程可以分为:
- 内核线程：由操作系统内核创建和撤销。
- 用户线程：不需要内核支持而在用户程序中实现的线程。
Python3 线程中常用的两个模块为：
- _thread
- threading(推荐使用)
thread 模块已被废弃。用户可以使用 threading 模块代替。所以，在 Python3 中不能再使用"thread" 模块。为了兼容性，Python3 将 thread 重命名为 "_thread"。
Python中使用线程有两种方式：函数或者用类来包装线程对象。
Python3 通过两个标准库 _thread 和 threading 提供对线程的支持。
_thread 提供了低级别的、原始的线程以及一个简单的锁，它相比于 threading 模块的功能还是比较有限的。
threading 模块除了包含 _thread 模块中的所有方法外，还提供的其他方法：
- 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。
除了使用方法外，线程模块同样提供了Thread类来处理线程，Thread类提供了以下方法:
- run(): 用以表示线程活动的方法。
- start():启动线程活动。
- join([time]): 等待至线程中止。这阻塞调用线程直至线程的join() 方法被调用中止-正常退出或者抛出未处理的异常-或者是可选的超时发生。
- setDaemon(True):守护主线程,跟随主线程退(必须要放在start()上方)
- isAlive(): 返回线程是否活动的。
- getName(): 返回线程名。
- setName(): 设置线程名。
看了那么多废话,那么创建线程的方式有俩种,接下来看代码
一,通过调用模块的方式来创建线程(推荐使用)
import threading # 线程模块
import time
# 创建线程
def onepiece1(n):
print("路飞正在使用橡胶火箭炮%s,攻击力%s" %(time.ctime(),n))
time.sleep(3)
print("路飞结束该技能%s" %time.ctime())
def onepiece2(n):
print("艾尼路正在出雷神万击%s你,攻击力%s" %(time.ctime(),n))
time.sleep(5)
print("艾尼路结束该技能%s" %time.ctime())
if __name__ == ‘__main__‘:
thread_1 = threading.Thread(target=onepiece1,args=(10,)) # 创建子线程
thread_2 = threading.Thread(target=onepiece2,args=(9,))
thread_1.start()
# pyhton1.join()
thread_2.start()
thread_2.join() # 等待线程终止
print("ending Fighting")
二,创建类通过继承的方式来创建线程
使用Threading模块创建线程，直接从threading.Thread继承，然后重写__init__方法和run方法：
import threading
import time
class MyThread(threading.Thread):
def __init__(self,num):
threading.Thread.__init__(self)
self.num = num
def run(self): # 定义每个线程要运行的函数
print("running on number:%s" %self.num)
time.sleep(3)
print("ending......")
if __name__ == ‘__main__‘:
t1 = MyThread(1) # 继承这个类，把1这个参数，传给num ,t1就是个线程对象
t2 = MyThread(2)
t1.start()
t2.start()
GIL
在知道线程的创建方式以及一些方法的使用后,引申一个cpython解释器的一个历史遗留问题,全局GIL锁
因为Python的线程虽然是真正的线程，但解释器执行代码时，有一个GIL锁：Global Interpreter Lock，任何Python线程执行前，必须先获得GIL锁，然后，每执行100条字节码，解释器就自动释放GIL锁，让别的线程有机会执行。这个GIL全局锁实际上把所有线程的执行代码都给上了锁，所以，多线程在Python中只能交替执行，即使100个线程跑在100核CPU上，也只能用到1个核。
当然了,也有通过别的途径提高执行效率,技术的道路上终无止境。
同步锁
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。
def sub():
global num
thread_lock_A.acquire() # 获得锁,用于线程同步
tmep = num
time.sleep(0.001)
num = tmep - 1
thread_lock_A.release() # 释放锁,开启下一个线程
# 问题,加锁之后100个线程就变为了串行执行,锁内的代码
li = []
for i in range(100):
t = threading.Thread(target=sub)
t.start()
li.append(t)
for t in li:
t.join()
print("ending")
print(num)
线程的死锁和递归锁
在线程间共享多个资源的时候，如果两个线程分别占有一部分资源并且同时等待对方的资源，就会造成死锁，因为系统判断这部分资源都
正在使用，所有这两个线程在无外力作用下将一直等待下去。
解决死锁就可以用递归锁
import threading,time
# lock_A = threading.Lock()
# lock_B = threading.Lock()
r_lock = threading.RLock()
class Mythread(threading.Thread):
def actionA(self):
r_lock.acquire()
print(self.name,time.ctime())
time.sleep(2)
r_lock.acquire()
print(self.name,time.ctime())
time.sleep(1)
r_lock.release()
r_lock.release()
def actionB(self):
r_lock.acquire()
print(self.name,time.ctime())
time.sleep(2)
r_lock.acquire()
print(self.name,time.ctime())
time.sleep(1)
r_lock.release()
r_lock.release()
def run(self):
self.actionA()
self.actionB()
li = []
for i in range(5):
t = Mythread()
t.start()
li.append(t)
for t in li:
t.join()
print("ending")
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”：threading.RLock。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acquire。直到一个线程所有的acquire都被release，其他的线程才能获得资源。
信号量(Semaphore):从意义上来讲,也可以称之为一种锁
信号量：指同时开几个线程并发
信号量用来控制线程并发数的，BoundedSemaphore或Semaphore管理一个内置的计数 器，每当调用acquire()时-1，调用release()时+1。
计数器不能小于0，当计数器为 0时，acquire()将阻塞线程至同步锁定状态，直到其他线程调用release()。(类似于停车位的概念)
BoundedSemaphore与Semaphore的唯一区别在于前者将在调用release()时检查计数 器的值是否超过了计数器的初始值，如果超过了将抛出一个异常。
import threading,time
class myThread(threading.Thread):
def run(self): #启动后，执行run方法
if semaphore.acquire(): #加把锁，可以放进去多个（相当于5把锁，5个钥匙，同时有5个线程）
print(self.name)
time.sleep(5)
semaphore.release()
if __name__=="__main__":
semaphore=threading.Semaphore(5) #同时能有几个线程进去（设置为5就是一次5个线程进去），类似于停车厂一次能停几辆车
thrs=[] #空列表
for i in range(100): #100个线程
thrs.append(myThread()) #加线程对象
for t in thrs:
t.start() #分别启动
同步条件(Event)
简单了解
Event对象实现了简单的线程通信机制，它提供了设置信号，清楚信号，等待等用于实现线程间的通信。
1 设置信号
使用Event的set()方法可以设置Event对象内部的信号标志为真。Event对象提供了isSet()方法来判断其内部信号标志的状态。当使用event对象的set（）方法后，isSet（）方法返回真
2 清除信号
使用Event对象的clear()方法可以清除Event对象内部的信号标志，即将其设为假，当使用Event的clear方法后，isSet()方法返回假
3 等待
Event对象wait的方法只有在内部信号为真的时候才会很快的执行并完成返回。当Event对象的内部信号标志位假时，则wait方法一直等待到其为真时才返回。
import threading, time
class Boss(threading.Thread):
def run(self):
print("BOSS：今晚大家都要加班到22:00。")
print(event.isSet())
event.set()
time.sleep(5)
print("BOSS：<22:00>可以下班了。")
print(event.isSet())
event.set()
class Worker(threading.Thread):
def run(self):
event.wait()
print("Worker：哎……命苦啊！")
time.sleep(1)
event.clear()
event.wait()
print("Worker：OhYeah!")
if __name__ == "__main__":
event = threading.Event()
threads = []
for i in range(5):
threads.append(Worker())
threads.append(Boss())
for t in threads:
t.start()
for t in threads:
t.join()
Event内部包含了一个标志位，初始的时候为false。
可以使用使用set()来将其设置为true；
或者使用clear()将其从新设置为false；
可以使用is_set()来检查标志位的状态；
另一个最重要的函数就是wait(timeout=None)，用来阻塞当前线程，直到event的内部标志位被设置为true或者timeout超时。如果内部标志位为true则wait()函数理解返回。
多线程利器——队列(queue)
因为列表是不安全的数据结构,所以引申了新的模块——队列
# 列表是不安全的数据结构 举个简单的例子
li = [1, 2, 3, 4, 5]
def remove():
while True:
xx = li[-1]
print(xx)
time.sleep(1)
li.remove(xx)
A = threading.Thread(target=remove)
B = threading.Thread(target=remove)
A.start()
B.start()
Python 的 queue 模块中提供了同步的、线程安全的队列类，包括FIFO（先入先出)队列Queue，LIFO（后入先出）队列LifoQueue，和优先级队列 PriorityQueue。
这些队列都实现了锁原语，能够在多线程中直接使用，可以使用队列来实现线程间的同步。
queue 模块中的常用方法:
- queue.qsize() 返回队列的大小
- queue.empty() 如果队列为空，返回True,反之False
- queue.full() 如果队列满了，返回True,反之False
- queue.full 与 maxsize 大小对应
- queue.get([block[, timeout]])获取队列，timeout等待时间
- queue.get_nowait() 相当queue.get(False)
- queue.put(item) 写入队列，timeout等待时间
- queue.put_nowait(item) 相当Queue.put(item, False)
- queue.task_done() 在完成一项工作之后，queue.task_done()函数向任务已经完成的队列发送一个信号
- queue.join() 实际上意味着等到队列为空，再执行别的操作
import queue
# 队列有三种模式
# 先进先出
qu = queue.Queue()
qu.put("alex")
qu.put(123)
qu.put({"age":18})
while True:
print(qu.get())
print("————————")
# 先进后出
qu = queue.LifoQueue()
qu.put("alex")
qu.put(123)
qu.put({"age":18})
while True:
print(qu.get())
print("————————")
# 优先级
q = queue.PriorityQueue(3) # 设定大小
q.put([1, "alex"])
q.put([3, 123])
q.put([2, {"age":18}])
# q.put([4,456]) # 如果装的大于设定大小,也会阻塞(等待)
# while True:
# print(q.get()[1]) # get当取不到值之后会等待
# print("————————")
print(q.qsize()) # 查看当前队列有多少个
print(q.empty()) # 判断是否为空
print(q.full()) # 判断是否为满
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 |
|
生产者与消费者模型
在这个现实社会中，生活中处处充满了生产和消费.
什么是生产者消费者模型
在 工作中，可能会碰到这样一种情况：某个模块负责产生数据，这些数据由另一个模块来负责处理（此处的模块是广义的，可以是类、函数、线程、进程等）。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，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型。结构图如下
生产者消费者模型的优点
1、解耦
假设生产者和消费者分别是两个类。如果让生产者直接调用消费者的某个方法，那么生产者对于消费者就会产生依赖（也就是耦合）。将来如果消费者的代码发生变化， 可能会影响到生产者。而如果两者都依赖于某个缓冲区，两者之间不直接依赖，耦合也就相应降低了。
举个例子，我们去邮局投递信件，如果不使用邮筒（也就是缓冲区），你必须得把信直接交给邮递员。有同学会说，直接给邮递员不是挺简单的嘛？其实不简单，你必须 得认识谁是邮递员，才能把信给他（光凭身上穿的制服，万一有人假冒，就惨了）。这就产生和你和邮递员之间的依赖（相当于生产者和消费者的强耦合）。万一哪天邮递员换人了，你还要重新认识一下（相当于消费者变化导致修改生产者代码）。而邮筒相对来说比较固定，你依赖它的成本就比较低（相当于和缓冲区之间的弱耦合）。
2、支持并发
由于生产者与消费者是两个独立的并发体，他们之间是用缓冲区作为桥梁连接，生产者只需要往缓冲区里丢数据，就可以继续生产下一个数据，而消费者只需要从缓冲区了拿数据即可，这样就不会因为彼此的处理速度而发生阻塞。
接上面的例子，如果我们不使用邮筒，我们就得在邮局等邮递员，直到他回来，我们把信件交给他，这期间我们啥事儿都不能干（也就是生产者阻塞），或者邮递员得挨家挨户问，谁要寄信（相当于消费者轮询）。
3、支持忙闲不均
缓冲区还有另一个好处。如果制造数据的速度时快时慢，缓冲区的好处就体现出来了。当数据制造快的时候，消费者来不及处理，未处理的数据可以暂时存在缓冲区中。 等生产者的制造速度慢下来，消费者再慢慢处理掉。
为了充分复用，再拿寄信的例子来说事。假设邮递员一次只能带走1000封信。万一某次碰上情人节（也可能是圣诞节）送贺卡，需要寄出去的信超过1000封，这时 候邮筒这个缓冲区就派上用场了。邮递员把来不及带走的信暂存在邮筒中，等下次过来 时再拿走。
对生产者与消费者模型的阐释就进行到这里,用代码实现生产者与消费者模型
包子工厂
import threading, time, queue
q = queue.Queue()
def consumer(q):
while True:
msg = q.get()
if isinstance(msg, str) and msg == "quit":
break
else:
print(msg)
print("Bye byes")
def producer():
start_time = time.time()
while time.time() - start_time < 5:
q.put(‘something at %s‘ % time.time())
time.sleep(1)
q.put(‘quit‘)
factory =threading.Thread(target=producer)
worker = threading.Thread(target=consumer, args=(q,))
factory.start() # 开启生产者线程
worker.start() # 开启消费者线程
协程
在学习异步IO模型前，先来了解协程。
一大波阐释即将到临，非高能请注意闪躲(仔细阅读)
概念：协程，又称微线程，纤程。英文名Coroutine。 是非抢占式的程序 主要也是解决I/O操作的
协程的概念很早就提出来了，但直到最近几年才在某些语言（如Lua）中得到广泛应用。
子程序，或者称为函数，在所有语言中都是层级调用，比如A调用B，B在执行过程中又调用了C，C执行完毕返回，B执行完毕返回，最后是A执行完毕。
所以子程序调用是通过栈实现的，一个线程就是执行一个子程序。
子程序调用总是一个入口，一次返回，调用顺序是明确的。而协程的调用和子程序不同。
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。
优点：
优点1: 协程极高的执行效率。因为子程序切换不是线程切换，而是由程序自身控制，因此，没有线程切换的开销，和多线程比，线程数量越多，协程的性能优势就越明显。
优点2: 不需要多线程的锁机制，因为只有一个线程，也不存在同时写变量冲突，在协程中控制共享资源不加锁，只需要判断状态就好了，所以执行效率比多线程高很多。
因为协程是一个线程执行，那怎么利用多核CPU呢？最简单的方法是多进程+协程，既充分利用多核，又充分发挥协程的高效率，可获得极高的性能。
在此引申了下生成器的内容
# 生成器
def f():
print("ok")
s = yield 6
print(s)
print("ok2")
yield
gen=f()
# print(gen)
# next(gen) # 方法一
# next(gen)
RET=gen.__next__() # 方法二
print(RET)
gen.send(5) # 方法三
import time
import queue
def consumer(name):
print("--->ready to eat baozi........")
while True:
new_baozi = yield # yield实现上下文切换，传包子进来
print("[%s] is eating baozi %s" % (name,new_baozi))
#time.sleep(1)
def producer():
r = con.__next__()
r = con2.__next__()
n = 0
while 1:
time.sleep(1)
print("\033[32;1m[producer]\033[0m is making baozi %s and %s" %(n,n+1) )
con.send(n) # 发送告诉他有包子了
con2.send(n+1)
n +=2
if __name__ == ‘__main__‘:
con = consumer("c1")
con2 = consumer("c2")
producer()
greenlet是一个用C实现的协程模块，相比与python自带的yield，它可以使你在任意函数之间随意切换，而不需把这个函数先声明为generator
from greenlet import greenlet
def test1():
print(12)
gr2.switch()
print(34)
gr2.switch()
def test2():
print(56)
gr1.switch()
print(78)
gr1 = greenlet(test1)
gr2 = greenlet(test2)
gr1.switch()
gr2.switch()
Gevent
import gevent
import requests,time
start_time = time.time()
def get_url(url):
print("get: {}".format(url))
resp = requests.get(url)
data = resp.text
print(len(data),url)
# get_url(‘https://www.python.org/‘)
# get_url(‘https://www.yahoo.com/‘)
# get_url(‘https://www.baidu.com/‘)
# get_url(‘https://www.sina.com.cn/‘)
# get_url(‘http://www.xiaohuar.com/‘)
gevent.joinall(
[
gevent.spawn(get_url, ‘https://www.python.org/‘),
gevent.spawn(get_url, ‘https://www.yahoo.com/‘),
gevent.spawn(get_url, ‘https://www.baidu.com/‘),
gevent.spawn(get_url, ‘https://www.sina.com.cn/‘),
gevent.spawn(get_url,‘http://www.xiaohuar.com/‘)
]
)
print(time.time()-start_time)
协程的优势：
1、没有切换的消耗
2、没有锁的概念
有一个问题：能用多核吗？
答：可以采用多进程+协程，是一个很好的解决并发的方案
python基础之进程、线程、协程
引子
进程
线程(优先阅读)
协程
进程
概念:就是一个程序在一个数据集上的一次动态执行过程(本质上来讲,就是运行中的程序(代指运行过程),程序不运行就不是进程) 抽象概念
组成:
1、程序：我们编写的程序用来描述进程要完成哪些功能以及如何完成
2、数据集：数据集则是程序在执行过程中所需要使用的资源
3、进程控制块：进程控制块用来记录进程的外部特征，描述进程的执行变化过程，系统可以利用它来控制和管理进程，它是系统感知进程存在的唯一标志。
阐释:进程与进程之间都占用的是独立的内存块,它们彼此之间的数据也是独立的
优点:同时利用多个CPU,能够同时进行多个操作
缺点:耗费资源(需要重新开辟内存空间)
构造方法：
Process([group [, target [, name [, args [, kwargs]]]]])
group: 线程组，目前还没有实现，库引用中提示必须是None；
target: 要执行的方法；
name: 进程名；
args/kwargs: 要传入方法的参数。
实例方法：
is_alive()：返回进程是否在运行。
join([timeout])：阻塞当前上下文环境的进程程，直到调用此方法的进程终止或到达指定的timeout（可选参数）。
start()：进程准备就绪，等待CPU调度
run()：strat()调用run方法，如果实例进程时未制定传入target，这star执行t默认run()方法。
terminate()：不管任务是否完成，立即停止工作进程
属性：
daemon：和线程的setDeamon功能一样
name：进程名字。
pid：进程号。
创建进程的方式有俩种
一,通过调用模块的方式来创建线程
# 进程模块
import multiprocessing
import time
def f1():
start = time.time()
sum = 0
for n in range(100000000):
sum += n
print(sum)
print("data:{}".format(time.time() - start))
if __name__ == ‘__main__‘: # windows在调用进程的时候,必须加这句话,否则会报错
li = []
p1 = multiprocessing.Process(target=f1)
li.append(p1)
p2 = multiprocessing.Process(target=f1)
li.append(p2)
for p in li:
p.start()
for i in li:
i.join()
print("ending...")
二,通过继承类的方式(推荐)
import multiprocessing
class Process(multiprocessing.Process):
def run(self):
sum = 0
for n in range(100000000):
sum += n
print(sum)
li = []
for i in range(2):
p = Process()
li.append(p)
if __name__ == ‘__main__‘:
for p in li:
p.start()
for i in li:
i.join()
print("ending")
进程之间的通信
创建进程模块的下队列(Queue)
# 进程之间的通信 Queue
from multiprocessing import Queue, Process, Pipe
import os,time,random
def write(q):
print("process to write{}".format(os.getpid()))
for value in ["A","B","C"]:
print("Put {} to queue...".format(value))
q.put(value)
time.sleep(random.random())
def read(q):
print("process to read{}".format(os.getpid()))
while True:
value = q.get(True)
print("Get {} from queue".format(value))
if __name__ == ‘__main__‘:
q = Queue()
pw = Process(target=write,args=(q,)) # 这里传输的q是copy的
pr = Process(target=read,args=(q,))
pw.start()
pr.start()
pw.join()
pr.terminate() # 强行终止进程(因为这个子进程定义了一个死循环)
管道(Pipe)
# 进程之间的通信 Pipe(类似于socket)
from multiprocessing import Queue, Process, Pipe
import os,time,random
# 说明Pipe的send是没有返回值的
pipe = Pipe()
# print(pipe)
def worker(pipe):
time.sleep(random.random())
for i in range(10):
print("worker send {}".format(pipe.send(i)))
def Boss(pipe):
while True:
print("Boss recv {}".format(pipe.recv()))
p1 = Process(target=worker,args=(pipe[0],))
p2 = Process(target=Boss,args=(pipe[1],))
if __name__ == ‘__main__‘:
p1.start()
p2.start()
上述实现了进程间的数据通信,那么进程可以达到数据共享么？Sure。
前一节中, Pipe、Queue 都有一定数据共享的功能，但是他们会堵塞进程, 这里介绍的两种数据共享方式都不会堵塞进程, 而且都是多进程安全的。
A manager object returned by Manager() controls a server process which holds Python objects and allows other processes to manipulate them using proxies.
A manager returned by Manager() will support types list, dict, Namespace, Lock, RLock, Semaphore, BoundedSemaphore, Condition, Event, Barrier, Queue, Value and Array.
由上述英文我们了解到,通过Manager()可以实现进程上的数据共享,并且支持的类型也由很多，接下来看代码
进程数据共享(Manager)
进程同步
Lock
锁是为了确保数据一致性，比如读写锁，每个进程给一个变量增加 1 ，但是如果在一个进程读取但还没有写入的时候，另外的进程也同时读取了，并写入该值，则最后写入的值是错误的，这时候就需要锁。
# 为什么引申进程同步
# 数据的一致性
import time
from multiprocessing import Lock, Process
def run(i, lock):
with lock: # 自动获得锁和释放锁
time.sleep(1)
print(i)
if __name__ == ‘__main__‘:
lock = Lock()
for i in range(10):
p = Process(target=run,args=(i,lock,))
p.start()
Lock 同时也实现了 ContextManager API, 可以结合 with 语句使用, 关于 ContextManager, 请移步 Python 学习实践笔记 装饰器 与 context 查看。
Semaphore
Semaphore 和 Lock 稍有不同，Semaphore 相当于 N 把锁，获取其中一把就可以执行了。 信号量的总数 N 在构造时传入，s = Semaphore(N)。 和 Lock 一样，如果信号量为0，则进程堵塞，直到信号大于0。
进程池
如果有50个任务要去执行,CPU只有4核,那创建50个进程完成,其实大可不必，徒增管理开销。如果只想创建4个进程，让它们轮流替完成任务，不用自己去管理具体的进程的创建销毁，那 Pool 是非常有用的。
Pool 是进程池，进程池能够管理一定的进程，当有空闲进程时，则利用空闲进程完成任务，直到所有任务完成为止
|
1 2 3 4 5 6 7 8 |
|
从上面的例子来看貌似也看不出什么效果,那么接下来自定义一个进程池
关于进程池的API用法(并不是只有俩个哦)
apply (每个任务是排队进行,类似于串行失去意义)
apply_async (任务都是并发进行,并且可以设置回调函数) 进程的并发其实可以称之为并行了,可以利用到多核CPU
import os,time
from multiprocessing import pool,Process
def run(n):
# print(os.getpid())
time.sleep(1)
print(n)
return n # 该函数的返回值,是回调函数的所要传入的值
def bar(args):
pass
# print("bar {}".format(args))
# print(os.getpid())
if __name__ == ‘__main__‘:
p_pool = pool.Pool(5) # 设置进程池中的最大放置
for n in range(100):
# 回调函数,就是某个函数执行成功或结束执行的函数
p_pool.apply_async(func=run,args=(n,),callback=bar)
p_pool.close() # 进程的关闭和等待是有顺序的
p_pool.join()
print("ending")
# 看看 Pool 的执行流程，有三个阶段。第一、一个进程池接收很多任务，然后分开执行任务；第二、不再接收任务了；第三、等所有任务完成了，回家，不干了。
# 这就是上面的方法，close 停止接收新的任务，如果还有任务来，就会抛出异常。 join 是等待所有任务完成。 join 必须要在 close 之后调用，否则会抛出异常。terminate 非正常终止，内存不够用时，垃圾回收器调用的就是这个方法。
线程
概念:线程是应用程序中工作的最小单元，或者又称之为微进程。
组成:它被包含在进程之中，是进程中的实际运作单位。一条线程指的是进程中一个单一顺序的控制流，一个进程中可以并发多个线程，每条线程并行执行不同的任务。
阐释:线程不能够独立执行，必须依存在应用程序中，由应用程序提供多个线程执行控制。线程可以共享(调用)进程的数据资源
优点:共享内存,IO操作时候,创造并发操作
缺点:"......"(中国文化的博大精深的带引号)
关于多线程
多线程类似于同时执行多个不同程序，多线程运行有如下优点：
- 使用线程可以把占据长时间的程序中的任务放到后台去处理。
- 用户界面可以更加吸引人，这样比如用户点击了一个按钮去触发某些事件的处理，可以弹出一个进度条来显示处理的进度
- 程序的运行速度可能加快
- 在一些等待的任务实现上如用户输入、文件读写和网络收发数据等，线程就比较有用了。在这种情况下我们可以释放一些珍贵的资源如内存占用等等。
线程在执行过程中与进程还是有区别的。每个独立的线程有一个程序运行的入口、顺序执行序列和程序的出口。但是线程不能够独立执行，必须依存在应用程序中，由应用程序提供多个线程执行控制。
每个线程都有他自己的一组CPU寄存器，称为线程的上下文，该上下文反映了线程上次运行该线程的CPU寄存器的状态。
指令指针和堆栈指针寄存器是线程上下文中两个最重要的寄存器，线程总是在进程得到上下文中运行的，这些地址都用于标志拥有线程的进程地址空间中的内存。
- 线程可以被抢占（中断）。
- 在其他线程正在运行时，线程可以暂时搁置（也称为睡眠） -- 这就是线程的退让。
线程可以分为:
- 内核线程：由操作系统内核创建和撤销。
- 用户线程：不需要内核支持而在用户程序中实现的线程。
Python3 线程中常用的两个模块为：
- _thread
- threading(推荐使用)
thread 模块已被废弃。用户可以使用 threading 模块代替。所以，在 Python3 中不能再使用"thread" 模块。为了兼容性，Python3 将 thread 重命名为 "_thread"。
Python中使用线程有两种方式：函数或者用类来包装线程对象。
Python3 通过两个标准库 _thread 和 threading 提供对线程的支持。
_thread 提供了低级别的、原始的线程以及一个简单的锁，它相比于 threading 模块的功能还是比较有限的。
threading 模块除了包含 _thread 模块中的所有方法外，还提供的其他方法：
- 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。
除了使用方法外，线程模块同样提供了Thread类来处理线程，Thread类提供了以下方法:
- run(): 用以表示线程活动的方法。
- start():启动线程活动。
- join([time]): 等待至线程中止。这阻塞调用线程直至线程的join() 方法被调用中止-正常退出或者抛出未处理的异常-或者是可选的超时发生。
- setDaemon(True):守护主线程,跟随主线程退(必须要放在start()上方)
- isAlive(): 返回线程是否活动的。
- getName(): 返回线程名。
- setName(): 设置线程名。
看了那么多废话,那么创建线程的方式有俩种,接下来看代码
一,通过调用模块的方式来创建线程(推荐使用)
import threading # 线程模块
import time
# 创建线程
def onepiece1(n):
print("路飞正在使用橡胶火箭炮%s,攻击力%s" %(time.ctime(),n))
time.sleep(3)
print("路飞结束该技能%s" %time.ctime())
def onepiece2(n):
print("艾尼路正在出雷神万击%s你,攻击力%s" %(time.ctime(),n))
time.sleep(5)
print("艾尼路结束该技能%s" %time.ctime())
if __name__ == ‘__main__‘:
thread_1 = threading.Thread(target=onepiece1,args=(10,)) # 创建子线程
thread_2 = threading.Thread(target=onepiece2,args=(9,))
thread_1.start()
# pyhton1.join()
thread_2.start()
thread_2.join() # 等待线程终止
print("ending Fighting")
二,创建类通过继承的方式来创建线程
使用Threading模块创建线程，直接从threading.Thread继承，然后重写__init__方法和run方法：
import threading
import time
class MyThread(threading.Thread):
def __init__(self,num):
threading.Thread.__init__(self)
self.num = num
def run(self): # 定义每个线程要运行的函数
print("running on number:%s" %self.num)
time.sleep(3)
print("ending......")
if __name__ == ‘__main__‘:
t1 = MyThread(1) # 继承这个类，把1这个参数，传给num ,t1就是个线程对象
t2 = MyThread(2)
t1.start()
t2.start()
GIL
在知道线程的创建方式以及一些方法的使用后,引申一个cpython解释器的一个历史遗留问题,全局GIL锁
因为Python的线程虽然是真正的线程，但解释器执行代码时，有一个GIL锁：Global Interpreter Lock，任何Python线程执行前，必须先获得GIL锁，然后，每执行100条字节码，解释器就自动释放GIL锁，让别的线程有机会执行。这个GIL全局锁实际上把所有线程的执行代码都给上了锁，所以，多线程在Python中只能交替执行，即使100个线程跑在100核CPU上，也只能用到1个核。
当然了,也有通过别的途径提高执行效率,技术的道路上终无止境。
同步锁
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。
def sub():
global num
thread_lock_A.acquire() # 获得锁,用于线程同步
tmep = num
time.sleep(0.001)
num = tmep - 1
thread_lock_A.release() # 释放锁,开启下一个线程
# 问题,加锁之后100个线程就变为了串行执行,锁内的代码
li = []
for i in range(100):
t = threading.Thread(target=sub)
t.start()
li.append(t)
for t in li:
t.join()
print("ending")
print(num)
线程的死锁和递归锁
在线程间共享多个资源的时候，如果两个线程分别占有一部分资源并且同时等待对方的资源，就会造成死锁，因为系统判断这部分资源都
正在使用，所有这两个线程在无外力作用下将一直等待下去。
解决死锁就可以用递归锁
import threading,time
# lock_A = threading.Lock()
# lock_B = threading.Lock()
r_lock = threading.RLock()
class Mythread(threading.Thread):
def actionA(self):
r_lock.acquire()
print(self.name,time.ctime())
time.sleep(2)
r_lock.acquire()
print(self.name,time.ctime())
time.sleep(1)
r_lock.release()
r_lock.release()
def actionB(self):
r_lock.acquire()
print(self.name,time.ctime())
time.sleep(2)
r_lock.acquire()
print(self.name,time.ctime())
time.sleep(1)
r_lock.release()
r_lock.release()
def run(self):
self.actionA()
self.actionB()
li = []
for i in range(5):
t = Mythread()
t.start()
li.append(t)
for t in li:
t.join()
print("ending")
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”：threading.RLock。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acquire。直到一个线程所有的acquire都被release，其他的线程才能获得资源。
信号量(Semaphore):从意义上来讲,也可以称之为一种锁
信号量：指同时开几个线程并发
信号量用来控制线程并发数的，BoundedSemaphore或Semaphore管理一个内置的计数 器，每当调用acquire()时-1，调用release()时+1。
计数器不能小于0，当计数器为 0时，acquire()将阻塞线程至同步锁定状态，直到其他线程调用release()。(类似于停车位的概念)
BoundedSemaphore与Semaphore的唯一区别在于前者将在调用release()时检查计数 器的值是否超过了计数器的初始值，如果超过了将抛出一个异常。
import threading,time
class myThread(threading.Thread):
def run(self): #启动后，执行run方法
if semaphore.acquire(): #加把锁，可以放进去多个（相当于5把锁，5个钥匙，同时有5个线程）
print(self.name)
time.sleep(5)
semaphore.release()
if __name__=="__main__":
semaphore=threading.Semaphore(5) #同时能有几个线程进去（设置为5就是一次5个线程进去），类似于停车厂一次能停几辆车
thrs=[] #空列表
for i in range(100): #100个线程
thrs.append(myThread()) #加线程对象
for t in thrs:
t.start() #分别启动
同步条件(Event)
简单了解
Event对象实现了简单的线程通信机制，它提供了设置信号，清楚信号，等待等用于实现线程间的通信。
1 设置信号
使用Event的set()方法可以设置Event对象内部的信号标志为真。Event对象提供了isSet()方法来判断其内部信号标志的状态。当使用event对象的set（）方法后，isSet（）方法返回真
2 清除信号
使用Event对象的clear()方法可以清除Event对象内部的信号标志，即将其设为假，当使用Event的clear方法后，isSet()方法返回假
3 等待
Event对象wait的方法只有在内部信号为真的时候才会很快的执行并完成返回。当Event对象的内部信号标志位假时，则wait方法一直等待到其为真时才返回。
import threading, time
class Boss(threading.Thread):
def run(self):
print("BOSS：今晚大家都要加班到22:00。")
print(event.isSet())
event.set()
time.sleep(5)
print("BOSS：<22:00>可以下班了。")
print(event.isSet())
event.set()
class Worker(threading.Thread):
def run(self):
event.wait()
print("Worker：哎……命苦啊！")
time.sleep(1)
event.clear()
event.wait()
print("Worker：OhYeah!")
if __name__ == "__main__":
event = threading.Event()
threads = []
for i in range(5):
threads.append(Worker())
threads.append(Boss())
for t in threads:
t.start()
for t in threads:
t.join()
Event内部包含了一个标志位，初始的时候为false。
可以使用使用set()来将其设置为true；
或者使用clear()将其从新设置为false；
可以使用is_set()来检查标志位的状态；
另一个最重要的函数就是wait(timeout=None)，用来阻塞当前线程，直到event的内部标志位被设置为true或者timeout超时。如果内部标志位为true则wait()函数理解返回。
多线程利器——队列(queue)
因为列表是不安全的数据结构,所以引申了新的模块——队列
# 列表是不安全的数据结构 举个简单的例子
li = [1, 2, 3, 4, 5]
def remove():
while True:
xx = li[-1]
print(xx)
time.sleep(1)
li.remove(xx)
A = threading.Thread(target=remove)
B = threading.Thread(target=remove)
A.start()
B.start()
Python 的 queue 模块中提供了同步的、线程安全的队列类，包括FIFO（先入先出)队列Queue，LIFO（后入先出）队列LifoQueue，和优先级队列 PriorityQueue。
这些队列都实现了锁原语，能够在多线程中直接使用，可以使用队列来实现线程间的同步。
queue 模块中的常用方法:
- queue.qsize() 返回队列的大小
- queue.empty() 如果队列为空，返回True,反之False
- queue.full() 如果队列满了，返回True,反之False
- queue.full 与 maxsize 大小对应
- queue.get([block[, timeout]])获取队列，timeout等待时间
- queue.get_nowait() 相当queue.get(False)
- queue.put(item) 写入队列，timeout等待时间
- queue.put_nowait(item) 相当Queue.put(item, False)
- queue.task_done() 在完成一项工作之后，queue.task_done()函数向任务已经完成的队列发送一个信号
- queue.join() 实际上意味着等到队列为空，再执行别的操作
import queue
# 队列有三种模式
# 先进先出
qu = queue.Queue()
qu.put("alex")
qu.put(123)
qu.put({"age":18})
while True:
print(qu.get())
print("————————")
# 先进后出
qu = queue.LifoQueue()
qu.put("alex")
qu.put(123)
qu.put({"age":18})
while True:
print(qu.get())
print("————————")
# 优先级
q = queue.PriorityQueue(3) # 设定大小
q.put([1, "alex"])
q.put([3, 123])
q.put([2, {"age":18}])
# q.put([4,456]) # 如果装的大于设定大小,也会阻塞(等待)
# while True:
# print(q.get()[1]) # get当取不到值之后会等待
# print("————————")
print(q.qsize()) # 查看当前队列有多少个
print(q.empty()) # 判断是否为空
print(q.full()) # 判断是否为满
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 |
|
生产者与消费者模型
在这个现实社会中，生活中处处充满了生产和消费.
什么是生产者消费者模型
在 工作中，可能会碰到这样一种情况：某个模块负责产生数据，这些数据由另一个模块来负责处理（此处的模块是广义的，可以是类、函数、线程、进程等）。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，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型。结构图如下
生产者消费者模型的优点
1、解耦
假设生产者和消费者分别是两个类。如果让生产者直接调用消费者的某个方法，那么生产者对于消费者就会产生依赖（也就是耦合）。将来如果消费者的代码发生变化， 可能会影响到生产者。而如果两者都依赖于某个缓冲区，两者之间不直接依赖，耦合也就相应降低了。
举个例子，我们去邮局投递信件，如果不使用邮筒（也就是缓冲区），你必须得把信直接交给邮递员。有同学会说，直接给邮递员不是挺简单的嘛？其实不简单，你必须 得认识谁是邮递员，才能把信给他（光凭身上穿的制服，万一有人假冒，就惨了）。这就产生和你和邮递员之间的依赖（相当于生产者和消费者的强耦合）。万一哪天邮递员换人了，你还要重新认识一下（相当于消费者变化导致修改生产者代码）。而邮筒相对来说比较固定，你依赖它的成本就比较低（相当于和缓冲区之间的弱耦合）。
2、支持并发
由于生产者与消费者是两个独立的并发体，他们之间是用缓冲区作为桥梁连接，生产者只需要往缓冲区里丢数据，就可以继续生产下一个数据，而消费者只需要从缓冲区了拿数据即可，这样就不会因为彼此的处理速度而发生阻塞。
接上面的例子，如果我们不使用邮筒，我们就得在邮局等邮递员，直到他回来，我们把信件交给他，这期间我们啥事儿都不能干（也就是生产者阻塞），或者邮递员得挨家挨户问，谁要寄信（相当于消费者轮询）。
3、支持忙闲不均
缓冲区还有另一个好处。如果制造数据的速度时快时慢，缓冲区的好处就体现出来了。当数据制造快的时候，消费者来不及处理，未处理的数据可以暂时存在缓冲区中。 等生产者的制造速度慢下来，消费者再慢慢处理掉。
为了充分复用，再拿寄信的例子来说事。假设邮递员一次只能带走1000封信。万一某次碰上情人节（也可能是圣诞节）送贺卡，需要寄出去的信超过1000封，这时 候邮筒这个缓冲区就派上用场了。邮递员把来不及带走的信暂存在邮筒中，等下次过来 时再拿走。
对生产者与消费者模型的阐释就进行到这里,用代码实现生产者与消费者模型
包子工厂
import threading, time, queue
q = queue.Queue()
def consumer(q):
while True:
msg = q.get()
if isinstance(msg, str) and msg == "quit":
break
else:
print(msg)
print("Bye byes")
def producer():
start_time = time.time()
while time.time() - start_time < 5:
q.put(‘something at %s‘ % time.time())
time.sleep(1)
q.put(‘quit‘)
factory =threading.Thread(target=producer)
worker = threading.Thread(target=consumer, args=(q,))
factory.start() # 开启生产者线程
worker.start() # 开启消费者线程
协程
在学习异步IO模型前，先来了解协程。
一大波阐释即将到临，非高能请注意闪躲(仔细阅读)
概念：协程，又称微线程，纤程。英文名Coroutine。 是非抢占式的程序 主要也是解决I/O操作的
协程的概念很早就提出来了，但直到最近几年才在某些语言（如Lua）中得到广泛应用。
子程序，或者称为函数，在所有语言中都是层级调用，比如A调用B，B在执行过程中又调用了C，C执行完毕返回，B执行完毕返回，最后是A执行完毕。
所以子程序调用是通过栈实现的，一个线程就是执行一个子程序。
子程序调用总是一个入口，一次返回，调用顺序是明确的。而协程的调用和子程序不同。
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。
优点：
优点1: 协程极高的执行效率。因为子程序切换不是线程切换，而是由程序自身控制，因此，没有线程切换的开销，和多线程比，线程数量越多，协程的性能优势就越明显。
优点2: 不需要多线程的锁机制，因为只有一个线程，也不存在同时写变量冲突，在协程中控制共享资源不加锁，只需要判断状态就好了，所以执行效率比多线程高很多。
因为协程是一个线程执行，那怎么利用多核CPU呢？最简单的方法是多进程+协程，既充分利用多核，又充分发挥协程的高效率，可获得极高的性能。
在此引申了下生成器的内容
# 生成器
def f():
print("ok")
s = yield 6
print(s)
print("ok2")
yield
gen=f()
# print(gen)
# next(gen) # 方法一
# next(gen)
RET=gen.__next__() # 方法二
print(RET)
gen.send(5) # 方法三
import time
import queue
def consumer(name):
print("--->ready to eat baozi........")
while True:
new_baozi = yield # yield实现上下文切换，传包子进来
print("[%s] is eating baozi %s" % (name,new_baozi))
#time.sleep(1)
def producer():
r = con.__next__()
r = con2.__next__()
n = 0
while 1:
time.sleep(1)
print("\033[32;1m[producer]\033[0m is making baozi %s and %s" %(n,n+1) )
con.send(n) # 发送告诉他有包子了
con2.send(n+1)
n +=2
if __name__ == ‘__main__‘:
con = consumer("c1")
con2 = consumer("c2")
producer()
greenlet是一个用C实现的协程模块，相比与python自带的yield，它可以使你在任意函数之间随意切换，而不需把这个函数先声明为generator
from greenlet import greenlet
def test1():
print(12)
gr2.switch()
print(34)
gr2.switch()
def test2():
print(56)
gr1.switch()
print(78)
gr1 = greenlet(test1)
gr2 = greenlet(test2)
gr1.switch()
gr2.switch()
Gevent
import gevent
import requests,time
start_time = time.time()
def get_url(url):
print("get: {}".format(url))
resp = requests.get(url)
data = resp.text
print(len(data),url)
# get_url(‘https://www.python.org/‘)
# get_url(‘https://www.yahoo.com/‘)
# get_url(‘https://www.baidu.com/‘)
# get_url(‘https://www.sina.com.cn/‘)
# get_url(‘http://www.xiaohuar.com/‘)
gevent.joinall(
[
gevent.spawn(get_url, ‘https://www.python.org/‘),
gevent.spawn(get_url, ‘https://www.yahoo.com/‘),
gevent.spawn(get_url, ‘https://www.baidu.com/‘),
gevent.spawn(get_url, ‘https://www.sina.com.cn/‘),
gevent.spawn(get_url,‘http://www.xiaohuar.com/‘)
]
)
print(time.time()-start_time)
协程的优势：
1、没有切换的消耗
2、没有锁的概念
有一个问题：能用多核吗？
答：可以采用多进程+协程，是一个很好的解决并发的方案
原文地址：https://www.cnblogs.com/Miracle-boy/p/9968565.html