Python之多线程
一、使用threading模块的Thread类
1.1 介绍
这是 Python 中最基本的创建线程的方法。通过定义一个函数，然后将这个函数作为参数传递给Thread类的构造函数来创建线程。每个线程对象代表一个独立的执行线程。
1.2 代码示例
import threading
import time
def print_numbers():
for i in range(1, 6):
print(i)
time.sleep(1)
def print_letters():
for letter in 'abcde':
print(letter)
time.sleep(1)
t1 = threading.Thread(target = print_numbers)
t2 = threading.Thread(target = print_letters)
t1.start()
t2.start()
t1.join()
t2.join()
1.3 优点
简单直观，易于理解和使用。对于初学者来说，这种方式很容易上手。可以方便地控制每个线程的执行，如启动（start）和等待线程结束（join）。简单易用，适合轻量级的线程管理。
1.4 缺点
当需要创建大量线程时，代码可能会变得冗长。由于全局解释器锁（GIL）的存在，在CPU密集型任务中，多线程可能不会带来性能上的提升。
二、继承threading.Thread类
2.1 介绍
通过创建一个新的类，继承自threading.Thread类，然后重写run方法。在run方法中定义线程要执行的任务。这样创建的类的实例就是一个线程对象。
2.2 代码示例
import threading
import time
class PrintNumbersThread(threading.Thread):
def run(self):
for i in range(1, 6):
print(i)
time.sleep(1)
class PrintLettersThread(threading.Thread):
def run(self):
for letter in 'abcde':
print(letter)
time.sleep(1)
t1 = PrintNumbersThread()
t2 = PrintLettersThread()
t1.start()
t2.start()
t1.join()
t2.join()
2.3 优点
对于复杂的线程任务，可以将相关的代码封装在一个类中，使代码结构更加清晰。可以方便地在类中定义属性和方法，方便线程之间的交互和数据共享（通过类的属性）。
2.4 缺点
相对于第一种方法，代码量可能会更多，因为需要创建一个新的类。继承关系可能会使代码的逻辑变得稍微复杂一些，特别是对于不熟悉面向对象编程的开发者。
三、使用concurrent.futures模块中的ThreadPoolExecutor
3.1 介绍
这个模块提供了一个高级的接口来管理线程池。ThreadPoolExecutor可以自动管理线程的创建、复用和销毁。可以通过提交任务（函数及其参数）到线程池来并发执行任务。
3.2 代码示例
import concurrent.futures
import time
def print_numbers():
for i in range(1, 6):
print(i)
time.sleep(1)
def print_letters():
for letter in 'abcde':
print(letter)
time.sleep(1)
with concurrent.futures.ThreadPoolExecutor(max_workers = 2) as executor:
future1 = executor.submit(print_numbers)
future2 = executor.submit(print_letters)
futures = [future1, future2]
for future in concurrent.futures.as_completed(futures):
try:
future.result()
except Exception as e:
print("An error occurred:", e)
3.3 优点
它可以有效地管理线程资源，避免了频繁地创建和销毁线程的开销，尤其适用于需要执行大量短任务的情况。可以方便地获取任务的执行结果，并且可以处理任务执行过程中的异常。提供了更高级的接口，易于管理多个线程，适用于多种并发任务。
3.4 缺点
对于简单的场景，可能会觉得使用ThreadPoolExecutor有些过于复杂。如果对线程池的大小（max_workers）设置不合理，可能会影响性能。例如设置得过大可能会导致资源竞争，设置得过小可能无法充分利用多核处理器。同样受GIL限制，适合I/O密集型任务。
四、使用multiprocessing模块
4.1 介绍
虽然这个模块主要用于创建多进程，但也可以用来创建多线程。通过Process类创建进程时，可以设置daemon=True，这样进程就会在后台运行，类似于线程。
4.2 代码示例
from multiprocessing import Process
def task(name):
print(f"Process {name}: starting")
for i in range(5):
print(f"Process {name}: {i}")
print(f"Process {name}: finishing")
# 创建进程
process1 = Process(target=task, args=("A",), daemon=True)
process2 = Process(target=task, args=("B",), daemon=True)
# 启动进程
process1.start()
process2.start()
# 等待进程完成
process1.join()
process2.join()
4.3 优点
可以绕过GIL，适用于CPU密集型任务。
4.4 缺点
进程间通信比线程间通信更复杂，资源消耗也更大。
五、使用第三方库
例如threadpool、greenlet等，这些库提供了更高级的线程管理功能。
总结
每种方法都有其适用场景。对于I/O密集型任务，threading和concurrent.futures是不错的选择；而对于CPU密集型任务，则可能需要考虑使用multiprocessing或第三方库。选择哪种方法取决于具体的应用需求和性能考量。
