Python并发编程05 /死锁现象、递归锁、信号量、GIL锁、计算密集型/IO密集型效率验证、进程池/线程池
Python并发编程05 /死锁现象、递归锁、信号量、GIL锁、计算密集型/IO密集型效率验证、进程池/线程池
1. 死锁现象
-
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。 -
死锁现象：
①连续锁多次，②锁嵌套引起的死锁现象 -
代码示例：
from threading import Thread from threading import 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}拿到了A锁') lock_B.acquire() print(f'{self.name}拿到了B锁') lock_B.release() lock_A.release() def f2(self): lock_B.acquire() print(f'{self.name}拿到了B锁') time.sleep(0.1) lock_A.acquire() print(f'{self.name}拿到了A锁') lock_A.release() lock_B.release() if __name__ == '__main__': for i in range(3): t = MyThread() t.start()
2. 递归锁
-
递归锁
作用：递归锁可以解决死锁现象,业务需要多个锁时,先要考虑递归锁
工作原理：递归锁有一个计数的功能, 原数字为0,上一次锁,计数+1,释放一次锁,计数-1,
只要递归锁上面的数字不为零,其他线程就不能抢锁. -
代码示例
使用方式一：
from threading import Thread from threading import 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}拿到了A锁') lock_B.acquire() print(f'{self.name}拿到了B锁') lock_B.release() lock_A.release() def f2(self): lock_B.acquire() print(f'{self.name}拿到了B锁') time.sleep(0.1) lock_A.acquire() print(f'{self.name}拿到了A锁') lock_A.release() lock_B.release() if __name__ == '__main__': for i in range(3): t = MyThread() t.start()使用方式二：利用上下文管理
from threading import RLock def task(): with RLock: print(111) print(222) # 执行完with内的语句会释放锁
3. 信号量
-
可以并发的数量，本质上也是一种锁，可以设置同一时刻抢锁线程的数量
-
代码示例
from threading import Thread, Semaphore, current_thread import time import random sem = Semaphore(5) def task(): sem.acquire() print(f'{current_thread().name} 吃饭中...') time.sleep(random.randint(1,3)) sem.release() if __name__ == '__main__': for i in range(20): t = Thread(target=task,) t.start()
4. GIL全局解释器锁
1. 背景
-
理论上来说:单个进程的多线程可以利用多核.
-
但是,开发Cpython解释器的程序员,给进入解释器的线程加了锁.
2. 加锁的原因：
-
当时都是单核时代,而且cpu价格非常贵.
-
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.为了省事儿,直接进入解释器时给线程加一个锁.
-
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利用多核. -
Jpython没有GIL锁，pypy也没有GIL锁
-
现在多核时代, 我将Cpython的GIL锁去掉行么?
因为Cpython解释器所有的业务逻辑都是围绕着单个线程实现的,去掉这个GIL锁,几乎不可能.
-
单个进程的多线程可以并发,但是不能利用多核,不能并行，多个进程可以并发,并行.
3. GIL与Lock锁的区别
- 相同点: 都是同种锁,互斥锁.
- 不同点:
GIL锁全局解释器锁,保护解释器内部的资源数据的安全.
GIL锁 上锁,释放无需手动操作.
自己代码中定义的互斥锁保护进程线程中的资源数据的安全.
自己定义的互斥锁必须自己手动上锁,释放锁.
4. 为什么GIL保证不了自己数据的安全？
-
一个线程去修改一个数据的时候，由于网络延迟或者其它原因，被另一个线程抢到GIL锁，拿到这个数据，此时就造成了该数据的不安全。
5. 验证计算密集型、IO密集型的效率
-
IO密集型：单个进程的多线程并发 vs 多个进程的并发并行
def task(): count = 0 time.sleep(random.randint(1,3)) count += 1 if __name__ == '__main__': # 多进程的并发,并行 start_time = time.time() l1 = [] for i in range(50): p = Process(target=task,) l1.append(p) p.start() for p in l1: p.join() print(f'执行效率:{time.time()- start_time}') # 8.000000000 # 多线程的并发 start_time = time.time() l1 = [] for i in range(50): p = Thread(target=task,) l1.append(p) p.start() for p in l1: p.join() print(f'执行效率:{time.time()- start_time}') # 3.0294392108917236 # 结论：对于IO密集型: 单个进程的多线程的并发效率高. -
计算密集型：单个进程的多线程并发 vs 多个进程的并发并行
from threading import Thread from multiprocessing import Process import time import random def task(): count = 0 for i in range(10000000): count += 1 if __name__ == '__main__': # 多进程的并发,并行 start_time = time.time() l1 = [] for i in range(4): p = Process(target=task,) l1.append(p) p.start() for p in l1: p.join() print(f'执行效率:{time.time()- start_time}') # 3.1402080059051514 # 多线程的并发 start_time = time.time() l1 = [] for i in range(4): p = Thread(target=task,) l1.append(p) p.start() for p in l1: p.join() print(f'执行效率:{time.time()- start_time}') # 4.5913777351379395 # 结论：对于计算密集型: 多进程的并发并行效率高.
6. 多线程实现socket通信
-
无论是多线程还是多进程,都是一样的写法,来一个客户端请求,我就开一个线程,来一个请求开一个线程,在计算机允许范围内,开启的线程进程数量越多越好.
-
服务端
import socket from threading import Thread def communicate(conn,addr): while 1: try: from_client_data = conn.recv(1024) print(f'来自客户端{addr[1]}的消息: {from_client_data.decode("utf-8")}') to_client_data = input('>>>').strip() conn.send(to_client_data.encode('utf-8')) except Exception: break conn.close() def _accept(): server = socket.socket() server.bind(('127.0.0.1', 8848)) server.listen(5) while 1: conn, addr = server.accept() t = Thread(target=communicate,args=(conn,addr)) t.start() if __name__ == '__main__': _accept() -
客户端
import socket client = socket.socket() client.connect(('127.0.0.1',8848)) while 1: try: to_server_data = input('>>>').strip() client.send(to_server_data.encode('utf-8')) from_server_data = client.recv(1024) print(f'来自服务端的消息: {from_server_data.decode("utf-8")}') except Exception: break client.close()
7. 进程池,线程池
-
定义：进程池线程池就是：控制开启线程或者进程的数量
线程池: 一个容器,这个容器限制住开启线程的数量,比如4个,第一次肯定只能并发的处理4个任务,只要有任务完成,线程马上就会接下一个任务.
-
代码示例
from concurrent.futures import ProcessPoolExecutor, ThreadPoolExecutor import os import time import random def task(n): print(f'{os.getpid()} 接客') time.sleep(random.randint(1,3)) if __name__ == '__main__': # 开启进程池 p = ProcessPoolExecutor() # 默认不写,进程池里面的进程数与cpu个数相等 for i in range(20): p.submit(task,i) # 开启线程池 t = ThreadPoolExecutor(100) # 100个线程，不写默认是cpu个数*5 线程数 for i in range(20): t.submit(task,i)
总结：
-
信号量与进程池、线程池的区别
1.使用Seamphore，你创建了多少线程，实际就会有多少线程进行执行，只是可同时执行的线程数量会受到限制。但使用线程池，你创建的线程只是作为任务提交给线程池执行，实际工作的线程由线程池创建，并且实际工作的线程数量由线程池自己管理。
2.简单来说，线程池实际工作的线程是work线程，不是你自己创建的，是由线程池创建的，并由线程池自动控制实际并发的work线程数量。而Seamphore相当于一个信号灯，作用是对线程做限流，Seamphore可以对你自己创建的的线程做限流（也可以对线程池的work线程做限流），Seamphore的限流必须通过手动acquire和release来实现。
