多线程以及python的多线程

约定不等于承诺〃 2022-09-15 00:59 289阅读 0赞

## 1.1 线程和进程 ##

进程：系统分配资源最小单位，进程指正在运行的程序。确切的来说，当一个程序进入内存运行，即变成一个进程，进程是处于运行过程中的程序，并且具有一定独立功能。  
线程：系统调度最小单位，线程是进程中的一个执行单元，负责当前进程中程序的执行，一个进程中至少有一个线程。一个进程中是可以有多个线程的，这个应用程序也可以称之为多线程程序。  
简而言之：一个程序运行后至少有一个进程，一个进程中可以包含多个线程

## 1.1.1什么是多线程呢？ ##

即就是一个程序中有多个线程在同时执行。  
单线程：多个任务只能依次执行。当上一个任务执行结束后，下一个任务开始执行。  
多线程：多个任务可以同时执行。

## 1.2 线程运行原理 ##

分时调度  
所有线程轮流使用 CPU 的使用权，平均分配每个线程占用 CPU 的时间。  
抢占式调度  
优先让优先级高的线程使用 CPU，如果线程的优先级相同，那么会随机选择一个(线程随机性)，Java使用的为抢占式调度。

## 1.2.1 抢占式调度详解 ##

大部分操作系统都支持多进程并发运行，现在的操作系统几乎都支持同时运行多个程序。比如：现在我们上课一边使用编辑器，一边使用录屏软件，同时还开着画图板，dos窗口等软件。此时，这些程序是在同时运行，”感觉这些软件好像在同一时刻运行着“。  
实际上，CPU(中央处理器)使用抢占式调度模式在多个线程间进行着高速的切换。对于CPU的一个核而言，某个时刻，只能执行一个线程，而 CPU的在多个线程间切换速度相对我们的感觉要快，看上去就是在同一时刻运行。  
其实，多线程程序并不能提高程序的运行速度，但能够提高程序运行效率，让CPU的使用率更高。

## 1.3 python 多线程 ##

先明确一个问题，Python中的多线程是假的多线程！ 为什么这么说，我们先明确一个概念，全局解释器锁（GIL）。  
Python代码的执行由Python虚拟机（解释器）来控制。Python在设计之初就考虑要在主循环中，同时只有一个线程在执行，就像单CPU的系统中运行多个进程那样，内存中可以存放多个程序，但任意时刻，只有一个程序在CPU中运行。同样地，虽然Python解释器可以运行多个线程，只有一个线程在解释器中运行。  
对Python虚拟机的访问由全局解释器锁（GIL）来控制，正是这个锁能保证同时只有一个线程在运行。在多线程环境中，Python虚拟机按照以下方式执行。  
1.设置GIL。  
2.切换到一个线程去执行。  
3.运行。  
4.把线程设置为睡眠状态。  
5.解锁GIL。  
6.再次重复以上步骤。

Python多线程相当于单核多线程，多线程有两个好处：CPU并行，IO并行，单核多线程相当于自断一臂。所以，在Python中，可以使用多线程，但不要指望能有效利用多核。如果一定要通过多线程利用多核，那只能通过C扩展来实现，不过这样就失去了Python简单易用的特点。不过，也不用过于担心，Python虽然不能利用多线程实现多核任务，但可以通过多进程实现多核任务。多个Python进程有各自独立的GIL锁，互不影响。

## 1.4 计算密集型和IO密集型 ##

计算密集型任务的特点是要进行大量的计算，消耗CPU资源，比如计算圆周率、对视频进行高清解码等等，全靠CPU的运算能力。这种计算密集型任务虽然也可以用多任务完成，但是任务越多，花在任务切换的时间就越多，CPU执行任务的效率就越低，所以，要最高效地利用CPU，计算密集型任务同时进行的数量应当等于CPU的核心数。  
计算密集型任务由于主要消耗CPU资源，因此，代码运行效率至关重要。Python这样的脚本语言运行效率很低，完全不适合计算密集型任务。对于计算密集型任务，最好用C语言编写。  
第二种任务的类型是IO密集型，涉及到网络、磁盘IO的任务都是IO密集型任务，这类任务的特点是CPU消耗很少，任务的大部分时间都在等待IO操作完成（因为IO的速度远远低于CPU和内存的速度）。对于IO密集型任务，任务越多，CPU效率越高，但也有一个限度。常见的大部分任务都是IO密集型任务，比如Web应用。  
IO密集型任务执行期间，99%的时间都花在IO上，花在CPU上的时间很少，因此，用运行速度极快的C语言替换用Python这样运行速度极低的脚本语言，完全无法提升运行效率。对于IO密集型任务，最合适的语言就是开发效率最高（代码量最少）的语言，脚本语言是首选，C语言最差。

## 1.5 python多线程使用场景 ##

python多线程不适合计算密集型任务，使用多线程可能会考虑全局变量，为了防止线程之间抢占问题会加锁，大大增加了消耗，所以python多线程只适合io密集型的并发上：  
单线程：

import time
    start_time = time.time()
    start_num = 500
    n = 1
    res = 10000
    res_num = 0
    while 1:
        res_num += start_num/n
        # print("n:{} res_num={}".format(n, res_num))
        if int(res_num) == res:
            print("n:{} res_num={}".format(n, res_num))
            print("res: {}".format(n))
            break
        else:
            n += 1
        # time.sleep(0.001)
    print("spend_time:{}".format(time.time()-start_time))
    # n:272400600 res_num=10000.000000810323
    # spend_time:63.84967088699341

多线程：  
这里慢的原因有两点：1、上下文切换 2、全局变量加锁每次加锁和释放

# 线程中使用全局变量导致效率大打折扣
    import threading
    import time
    
    start_time = time.time()
    threads_num = 10
    lock = threading.Lock()
    start_num = 500
    n = 1
    res = 10000
    res_num = 0
    
    
    def demo(a):
        global n, res_num
        time.sleep(1)
        while 1:
            # time.sleep(0.5)
            lock.acquire()
            res_num += start_num / n
            try:
                # print("{}: n:{} res_num={}".format(a, n, res_num))
                if int(res_num) == res:
                    print("{}: n:{} res_num={}".format(a, n, res_num))
                    break
                else:
                    n += 1
            finally:
                lock.release()
    
    
    threads = []
    for i in range(threads_num):
        t1 = threading.Thread(target=demo, args=(i,))
        t1.daemon = True
        threads.append(t1)
    
    for task in threads:
        task.start()
    for task in threads:
        task.join()
    
    print("n:{} res_num={}".format(n, res_num))
    print("spend_time:{}".format(time.time() - start_time))
    # n:272400600 res_num=10000.000017330105
    # spend_time:122.03608107566833

多进程：  
多进程慢的原因

import time
    import multiprocessing
    
    start_num = 500
    res = 10000
    
    
    def demo(a, n, res_num, lock):
        while True:
            with lock:
                res_num.value += start_num / n.value
                # print("{}: n:{} res_num={}".format(a, n.value, res_num.value))
                # time.sleep(0.001)
                if int(res_num.value) >= res:
                    print("{}: n:{} res_num={}".format(a, n.value, res_num.value))
                    break
                else:
                    n.value += 1
    
    
    if __name__ == '__main__':
        start_time = time.time()
        multiproces_num = 2
        multiproces_list = []
        n = multiprocessing.Value('i', 1)
        res_num = multiprocessing.Value('d', 0)
        lock = multiprocessing.Lock()
        for i in range(multiproces_num):
            p1 = multiprocessing.Process(target=demo, args=(i, n, res_num, lock,))
            multiproces_list.append(p1)
        for task in multiproces_list:
            task.start()
        for task in multiproces_list:
            task.join()
        print("multiproces_num：{} spend_time:{}".format(multiproces_num, time.time() - start_time))
    # 时间太长了超过了5分钟不等了

总结：对于运算简单的函数/方法，使用单线程即可最高效率发挥性能优势，使用多线程/多进程由于全局变量/共享变量需要加锁防止抢占，徒增了锁的开销，反而会大大降低运行效率增加性能开销

多线程适用的场景：  
单线程：只能先：吃饭(10s)，再：看电影(10s)，最后：听音乐(5s)

import time
    start_time = time.time()
    print("start eat...")
    time.sleep(10)
    print("end eat")
    print("start movie...")
    time.sleep(10)
    print("end movie")
    print("start music...")
    time.sleep(5)
    print("end movie")
    print("spend time:{}".format(time.time()-start_time))
    # spend time:25.008626222610474

多线程：吃饭(10s)、看电影(10s)、听音乐(5s)同时进行

import threading
    import time
    
    start_time = time.time()
    
    
    def eat():
        print("start eat...")
        time.sleep(10)
        print("end eat")
    
    
    def movie():
        print("start movie...")
        time.sleep(10)
        print("end movie")
    
    
    def music():
        print("start music...")
        time.sleep(10)
        print("end music")
    
    
    threads = []
    t1 = threading.Thread(target=eat)
    t1.daemon = True
    threads.append(t1)
    t1 = threading.Thread(target=movie)
    t1.daemon = True
    threads.append(t1)
    t1 = threading.Thread(target=music)
    t1.daemon = True
    threads.append(t1)
    
    for task in threads:
        task.start()
    for task in threads:
        task.join()
    
    print("spend_time:{}".format(time.time() - start_time))
    # spend_time:10.004291772842407

另外，切勿使用python进行cpu密集型计算，性能太差，附上上述例子go的简单实现  
部分原因是：python中所有皆为对象，每次计算出来的值都要重新赋值，内存地址每次都会发生改变

package main
    
    import (
    	"fmt"
    	"time"
    )
    
    var timeUnixNano = time.Now().UnixNano()//单位纳秒
    var start_num float64 = 500
    var n float64 = 1
    var res float64 = 10000
    var res_num float64 = 0
    var add_num float64
    
    func main(){ 
    	for true{ 
    		add_num = start_num/n
    		res_num = res_num + add_num
    		//fmt.Println("n=",n)
    		//fmt.Println("res_num=",res_num)
    		if res_num >= res{ 
    			fmt.Println("n=",n)
    			fmt.Println("res_num=",res_num)
    			fmt.Println("time spend:",(time.Now().UnixNano() - timeUnixNano)/ 1e6)
    			break
    		}else{ 
    			n ++
    		}
    
    	}
    }
    
    // n= 2.724006e+08
    // res_num= 10000.000000810323
    // time spend: 612  毫秒