多线程，协程

目录

• GIL与普通互斥锁的区别
• 验证多线程的作用
• 死锁现象
• 信号量
• event事件
• 进程池与线程池
• 协程
• 基于协程实现TCP服务端并发

GIL与普通互斥锁的区别

# 先验证GIL的存在
from threading import Thread,Lock
import time
money = 100
for i in range(100):  # 创建一百个线程
     t = Thread(target=task)
     t.start()
print(money)

# 在验证不同数据加不同锁
from threading import Thread, Lock
import time

money = 100
mutex = Lock()

def task():
	global money
	mutex.acquire()
	tmp = money
	time.sleep(0.1)
	money = tmp - 1
	mutex.release()
'''
抢锁的简便写法（with上下文管理）
with mutex：
	pass
'''
t_list = []
for i in range(100):  # 创建一百个线程
	t = Thread(target=task)
	t.start()
	t_list.append(t)
for t in t_list:
	t.join()
# 为确保结构正确 应该等待所有线程运行完毕在打印money
print(money)

'''
GIL是一个纯理论知识 在实际工作中无需考虑它的纯在

GIL作用面很窄，仅限于解释器级别
	后期我们想要保证数据的安全应该自定义互斥锁（使用别人封装好的工具）
'''

验证多线程的作用

'''
两大前提
1.CPU个数
	单个
	多个
2.任务的类型
	IO密集型
	计算密集型
'''

# 单个CPU
	多个IO密集型任务
  	多进程:浪费资源 无法利用多个CPU
    多线程:节省资源 切换+保存状态
  多个计算密集型任务
  	多进程:耗时更长 创建进程的消耗+切换消耗
    多线程:耗时较短 切换消耗
# 多个CPU
	多个IO密集型任务
  	多进程:浪费资源 多个CPU无用武之地
    多线程:节省资源 切换+保存状态
  多个计算密集型任务
  	多进程:利用多核 速度更快
    多线程:速度较慢
结论:多进程和多线程都有具体的应用场景 尤其是多线程并不是没有用!!!
    
# 代码验证
from multiprocessing import Process
from threading import Thread
import time


def index():
    res = 1
    for i in range(1, 50000):
        res = i * res


if __name__ == "__main__":
    start = time.time()
    p_list = []
    for i in range(12):
        p = Process(target=index)
        p.start()
        p_list.append(p)
    for i in p_list:
        i.join()
    end = time.time()
    print(end - start)  # 5.524967670440674



# start_time = time.time()
# t_list = []
# for i in range(12):
#     t = Thread(target=index)
#     t.start()
#     t_list.append(t)
# for i in t_list:
#     i.join()
# end_time = time.time()
# print(end_time - start_time)  # 12.41026759147644

def work():
    time.sleep(2)   # 模拟纯IO操作


if __name__ == '__main__':
    start_time = time.time()
    # t_list = []
    # for i in range(100):
    #     t = Thread(target=work)
    #     t.start()
    # for t in t_list:
    #     t.join()
    p_list = []
    for i in range(100):
        p = Process(target=work)
        p.start()
    for p in p_list:
        p.join()
    print('总耗时:%s' % (time.time() - start_time))
"""
IO密集型
    多线程
        总耗时:0.007348060607910156
    多进程
        总耗时:0.1564030647277832
    两者差了两个数量级
结论
    多线程更好
"""

死锁现象

# 锁就算掌握了如何抢 如何放 也会产生死锁现象
from threading import Thread, Lock
import time

mutexA = Lock()
mutexB = Lock()

class MyThread(Thread):
    def run(self):
        self.f1()
        self.f2()
    def f1(self):
        mutexA.acquire()
        print(f'{self.name}抢到了A锁')
        mutexB.acquire()
        print(f'{self.name}抢到了B锁')
        mutexB.release()
        mutexA.release()
    def f2(self):
        mutexB.acquire()
        print(f'{self.name}抢到了B锁')
        time.sleep(2)
        mutexA.acquire()
        print(f'{self.name}抢到了A锁')
        mutexA.release()
        mutexB.release()

for i in range(20):
    t = MyThread()
    t.start()
'''
锁是不能轻易使用并且以后我们也不会自己处理锁，都是用别人封装的工具
'''

信号量

信号量在不同的知识体系中 展示出来的功能是不一样的
	eg:
    在并发编程中信号量意思是多把互斥锁
   	在django框架中信号量意思是达到某个条件自动触发特定功能
"""
如果将自定义互斥锁比喻成是单个厕所(一个坑位)
那么信号量相当于是公共厕所(多个坑位)
"""
from threading import Thread, Semaphore
import time
import random

sp = Semaphore(5)  # 创建一个有五个坑位(带门的)的公共厕所


def task(name):
    sp.acquire()  # 抢锁
    print('%s正在蹲坑' % name)
    time.sleep(random.randint(1, 5))
    sp.release()  # 放锁


for i in range(1, 31):
    t = Thread(target=task, args=('伞兵%s号' % i, ))
    t.start()
# 只要是跟锁相关的几乎都不会让我们自己去写 后期还是用模块

event事件

'''
子线程的运行可以有其他子线程决定
'''
from threading import Thread, Event
import time

event = Event()  # 类似于造了一个红绿灯


def light():
    print('红灯亮着的 所有人都不能动')
    time.sleep(3)
    print('绿灯亮了 油门踩到底 给我冲!!!')
    event.set()


def car(name):
    print('%s正在等红灯' % name)
    event.wait()
    print('%s加油门 飙车了' % name)


t = Thread(target=light)
t.start()
for i in range(20):
    t = Thread(target=car, args=('熊猫PRO%s' % i,))
    t.start()
# 这种效果其实也可以通过其他手段实现 比如队列(只不过没有event简便)

进程池与线程池

'''
补充：
	服务端必须具备三要素
		1. 24小时不间断提供服务
		2. 固定的ip和port
		3.支持高并发
回顾：
	TCP服务端实现并发
		多进程：进来一个客户端就开一个进程
		多线程：来一个客户端就开一个线程
问题：
	计算机硬件是有物理极限的 我们不可能无限制的创建进程和	   线程
措施：
	池：
		保证计算机安全的情况下提升程序的运行效率
	进程池：提前创建好固定数量的进程 后续会反复使用这些进程
	线程池：提前创建好固定数量的线程后续反复使用这些线程
	如果任务超出池子里面的最大进程或线程数 则原地等待
	强调：进程池和线程池其实降低了程序的运行效率 但是保证了硬件的安全
'''
# 代码演示
from concurrent.futures import ProcessPoolExecutor, ThreadPoolExecutor
# 线程池
pool = ThreadPoolExecutor(5)  # 线程池线程数默认是CPU个数的五倍 也可以自定义
'''上面的代码执行之后就会立刻创建五个等待工作的线程'''
'''不应该自己主动等待结果 应该让异步提交自动提醒>>>:异步回调机制'''
pool.submit(task, i).add_done_callback(func)
"""add_done_callback只要任务有结果了 就会自动调用括号内的函数处理"""


# 进程池
pool = ProcessPoolExecutor(5)  # 进程池进程数默认是CPU个数 也可以自定义
'''上面的代码执行之后就会立刻创建五个等待工作的进程'''
pool.submit(task, i).add_done_callback(func)

协程

"""
进程:资源单位
线程:执行单位
协程:单线程下实现并发

并发的概念:切换+保存状态

首先需要强调的是协程完全是程序员自己意淫出来的名词!!!
对于操作系统而言之认识进程和线程
协程就是自己通过代码来检测程序的IO操作并自己处理 让CPU感觉不到IO的存在从而最大幅度的占用CPU

类似于一个人同时干接待和服务客人的活 在接待与服务之间来回切换!!!
"""

# 基本使用
# 保存的功能 我们其实接触过  yield 但是无法做到检测IO切换
from gevent import monkey;monkey.patch_all()  # 固定编写 用于检测所有的IO操作
from gevent import spawn
import time


def play(name):
    print('%s play 1' % name)
    time.sleep(5)
    print('%s play 2' % name)


def eat(name):
    print('%s eat 1' % name)
    time.sleep(3)
    print('%s eat 2' % name)


start_time = time.time()
g1 = spawn(play, 'jason')
g2 = spawn(eat, 'jason')
g1.join()  # 等待检测任务执行完毕
g2.join()  # 等待检测任务执行完毕
print('总耗时:', time.time() - start_time)  # 正常串行肯定是8s+
# 5.00609827041626  代码控制切换 

基于协程实现TCP服务端并发

from gevent import monkey;monkey.patch_all()
from gevent import spawn
import socket


def communication(sock):
    while True:
        data = sock.recv(1024)  # IO操作
        print(data.decode('utf8'))
        sock.send(data.upper())


def get_server():
    server = socket.socket()
    server.bind(('127.0.0.1', 8080))
    server.listen(5)
    while True:
        sock, addr = server.accept()  # IO操作
        spawn(communication, sock)

g1 = spawn(get_server)
g1.join()
'''
终极结论
	python可以通过开设多进程在多进程下开设多线程在多线程下使用协程 从而让程序执行的效率达到极致
	但是实际业务中很少需要如此之高的效率（一直占着CPU不放）
	因为大部分程序都是IO密集型的
	所有协程知道存在就可，不需要真正自己取编写
'''