day-3 python多线程编程知识点汇总

  python语言以容易入门,适合应用开发,编程简洁,第三方库多等等诸多优点,并吸引广大编程爱好者。但是也存在一个被熟知的性能瓶颈:python解释器引入GIL锁以后,多CPU场景下,也不再是并行方式运行,甚至比串行性能更差。注定这门语言在某些方面是有天花板的,对于一些并行要求高的系统,python可能不再成为首选,甚至是完全不考虑。但是事情也并不是绝对悲观的,我们已经看到有一大批人正在致力优化这个特性,新版本较老版本也有了一定改进,一些核心模块我们也可以选用其它模块开发等等措施。

1、python多线程编程

threading是python实现多线程编程的常用库,有两种方式可以实现多线程:1、调用库接口传入功能函数和参数执行;2、自定义线程类继承threading.Thread,然后重写__init__和run方法。

1、调用库接口传入功能函数和参数执行

import threading
import queue
import time '''
实现功能:定义一个FIFO的queue,10个元素,3个线程同时来获取
''' # 初始化FIFO队列
q = queue.Queue()
for i in range(10):
q.put(i)
print("%s : Init queue,size:%d"%(time.ctime(),q.qsize())) # 线程功能函数,获取队列数据
def run(q,threadid):
is_empty = False
while not is_empty:
if not q.empty():
data = q.get()
print("Thread %d get:%d"%(threadid,data))
time.sleep(1)
else:
is_empty = True # 定义线程列表
thread_handler_lists = []
# 初始化线程
for i in range(3):
thread = threading.Thread(target=run,args = (q,i))
thread.start()
thread_handler_lists.append(thread)
# 等待线程执行完毕
for thread_handler in thread_handler_lists:
thread_handler.join() print("%s : End of progress"%(time.ctime()))

2、自定义线程类继承threading.Thread,然后重写__init__和run方法

  和其它语言一样,为了保证多线程间数据一致性,threading库自带锁功能,涉及3个接口:

thread_lock = threading.Lock()    创建一个锁对象

thread_lock.acquire()                         获取锁

thread_lock.release()                         释放锁

  注意:由于python模块queue已经实现多线程安全,实际编码中,不再需要进行锁的操作,此处只是进行编程演示。

import threading
import queue
import time '''
实现功能:定义一个FIFO的queue,10个元素,3个线程同时来获取
queue线程安全的队列,因此不需要加
thread_lock.acquire()
thread_lock.release() ''' # 自定义一个线程类,继承threading.Thread,重写__init__和run方法即可
class MyThread(threading.Thread):
def __init__(self,threadid,name,q):
threading.Thread.__init__(self)
self.threadid = threadid
self.name = name
self.q =q
print("%s : Init %s success."%(time.ctime(),self.name)) def run(self):
is_empty = False
while not is_empty:
thread_lock.acquire()
if not q.empty():
data = self.q.get()
print("Thread %d get:%d"%(self.threadid,data))
time.sleep(1)
thread_lock.release()
else:
is_empty = True
thread_lock.release() # 定义一个锁
thread_lock = threading.Lock()
# 定义一个FIFO队列
q = queue.Queue()
# 定义线程列表
thread_name_list = ["Thread-1","Thread-2","Thread-3"]
thread_handler_lists = [] # 初始化队列
thread_lock.acquire()
for i in range(10):
q.put(i)
thread_lock.release()
print("%s : Init queue,size:%d"%(time.ctime(),q.qsize())) # 初始化线程
thread_id = 1
for thread_name in thread_name_list:
thread = MyThread(thread_id,thread_name,q)
thread.start()
thread_handler_lists.append(thread)
thread_id += 1 # 等待线程执行完毕
for thread_handler in thread_handler_lists:
thread_handler.join() print("%s : End of progress"%(time.ctime()))

  另外多线程还涉及事件和信号量,很简单,就不再贴代码了

  用threading.Event 实现线程间通信,使用threading.Event可以使一个线程等待其他线程的通知,我们把这个Event传递到线程对象中,
  涉及接口:set()、isSet()、Event()、clear()

  如果在主机执行IO密集型任务的时候再执行这种类型的程序时,计算机就有很大可能会宕机。
  这时候就可以为这段程序添加一个计数器功能,来限制一个时间点内的线程数量。

  涉及接口:threading.Semaphore(5)、acquire()、release()

2、python多线程机制分析

  讨论前,我们先梳理几个概念:

  并行并发

  并发的关键是你有处理多个任务的能力,不一定要同时。而并行的关键是你有同时处理多个任务的能力。我认为它们最关键的点就是:是否是『同时』,或者说并行是并发的子集。

  GIL

  GIL:全局解释锁,python解释器级别的锁,为了保证程序本身运行正常,例如python的自动垃圾回收机制,在我们程序运行的同时,也在进行垃圾清理工作。

  下图试图模拟A进程中3个线程的执行情况:

    day-3 python多线程编程知识点汇总

    1、  t1、t2、t3线程处于就绪状态,同时向python解释器获取GIL锁

    2、  假设t1获取到GIL锁,被python分配给任意CPU执行,处于运行状态

    3、  Python基于某种调度方式(例如pcode),会让t1释放GIL锁,重新处于就绪状态

    4、  重复1步骤,假设这时t2获取到GIL锁,运行过程同上,被python分配给任意CPU执行,处于运行状态,Python基于某种调度方式(例如pcode),会让t2释放GIL锁,重新处于就绪状态

    5、  最后可以推得t1、t2、t3按如下1、2、3、4方式串行运行

因此,尽管t1、t2、t3为三个线程,理论上可以并行运行,但实际上python解释器引入GIL锁以后,多CPU场景下,也不再是并行方式运行,甚至比串行性能更差,下面我们做个测试:

我们写两个计算函数,测试单线程和多线程的时间开销,代码如下:

import threading
import time # 定义两个计算量大的函数
def sum():
sum = 0
for i in range(100000000):
sum += i def mul():
sum = 0
for i in range(10000000):
sum *= i # 单线程时间测试
starttime = time.time()
sum()
mul()
endtime = time.time()
period = endtime - starttime
print("The single thread cost:%d"%(period)) # 多线程时间测试
starttime = time.time()
l = []
t1 = threading.Thread(target = sum)
t2 = threading.Thread(target = sum)
l.append(t1)
l.append(t2)
for i in l:
i.start()
for i in l:
i.join()
endtime = time.time()
period = endtime - starttime
print("The mutiple thread cost:%d"%(period)) print("End of program.")

测试发现,多线程的时间开销居然比单线程还要大

day-3 python多线程编程知识点汇总

这个结果有点让人不可接受,那有没有办法优化?答案是有的,比如把多线程变成多进程,但是考虑到进程开销问题,实际编程中,不能开过多进程,下面是多进程测试代码:

  

'''
程序欲实现功能:定义1个CPU占用高函数,测试Python多进程执行效率
''' import multiprocessing
import time
def mul():
sum = 0
for i in range(1000000000):
sum *= i if __name__ == "__main__":
start_time = time.time() # 执行两个函数
mul()
mul() end_time = time.time()
print("single proccess cost : %d" % (end_time - start_time)) start_time = time.time() #定义两个进程
l = []
p1 = multiprocessing.Process(target = mul)
p1.start()
l.append(p1)
p2 = multiprocessing.Process(target = mul)
p2.start()
l.append(p2) #等待进程执行完毕
for p_list in l:
p_list.join() end_time = time.time()
print("Mutiple proccess cost : %d"%(end_time - start_time))

  实际测试结果:

  day-3 python多线程编程知识点汇总

  测试结果显示:单进程串行执行需要163秒,而双进程执行只需要107秒,显然执行效率更高。

    另外进程+协程也可以提高一定性能,这里暂时不再深入分析。

有兴趣可以继续阅读下链接博客:http://cenalulu.github.io/python/gil-in-python/

上一篇:多线程编程-- part5.1 互斥锁之公平锁-释放锁


下一篇:Paper Reading 1 - Playing Atari with Deep Reinforcement Learning