10万秒，即大概 28个小时

显然对我们来说，这个时间有点长，有没用办法缩短呢？

当然有办法，那就是用 多线程 处理！

为什么呢？是因为多线程是提高效率，实现更有效程序的必然状态。

比如，需要处理大量的数据，需要响应多样的请求，需要与慢速的处理过程交互等等，都需要用到线程编程。

但是，线程这个概念不太好理解，用起来也总是不方便，而且容易出错，一方面是因为，我们的思路是线性的，另一方面是多线程本身有很多需要掌握的概念，学习理解难度比较高。

今天我将分享一下我在工作中是如何利用多线程技术，提速增效的。

对于前面那个例子，可以将原来的一个处理流程，分解为多个，例如之前的处理可以分解为：

读取行、做运算、存文件 三个自流程。

这样的话，相当于将只能一个人做的工作，可以让更多的人来做，从而形成类似的流水线效应，如图所示：

流水线

这是一张 CPU 处理指令的流水线示意图，可以看到在 t3 和 t4 的时间，四个工作在同时进行。

那么用多线程，就可以使我们的三个工作出现同时运行的状态，提升效率，比如先读取一行，然后再处理数据的同时，读取下一行，如此往复。

是不是感觉很好？

先别着急，首先需要解决一个问题 ——

如何避免重复读和跳读

重复读指的是，一个以上线程读取到了同一条数据；

跳读指的是，有些数据行没有任何线程处理。

这里介绍一个帮助我处理了很多多线程问题的方法，一个数据源类。

多线程数据源类

数据源类，就是将数据集中管理，然后以线程安全的方式为多线程程序提供数据。

注意：并非最佳方法，但很实用

废话不多说，直接看代码：

import threading
class DataSource:
    def __init__(self, dataFileName, startLine=0, maxcount=None):
        self.dataFileName = dataFileName
        self.startLine = startLine  # 第一行行号为1
        self.line_index = startLine # 当前读取位置
        self.maxcount = maxcount  # 读取最大行数
        self.lock = threading.RLock() # 同步锁        
        self.__data__ = open(self.dataFileName, 'r', encoding= 'utf-8')
        for i in range(self.startLine):
            l = self.__data__.readline()
    def getLine(self):
        self.lock.acquire()
        try:
            if self.maxcount is None or self.line_index < (self.startLine + self.maxcount):
                line = self.__data__.readline()
                if line:
                    self.line_index += 1
                    return True, line
                else:
                    return False, None
            else:
                return False, None
        except Exception as e:
            return False, "处理出错:" + e.args
        finally:
            self.lock.release()
    
    def __del__(self):
        if not self.__data__.closed:
            self.__data__.close()
            print("关闭数据源:", self.dataFileName)

• __init__ 初始化方法，接受 3 个参数
  lock 属性是一个同步锁，以便在多线程读取不出现冲突
  

• • dataFileName 是数据文件路径
  • startLine 开始读取行，对于大文件需要分配处理时特别有用，
  • maxcount 读取最大行数，通过和 startLine 配合可以读取指定部分的数据，默认为全部读取

• getLine 方法，每次调用会返回一个元组，包含状态和得到的，数据
  
• __del__ 方法会在对象销毁时调用，在此记录当前处理位置
  

这样就是可以应用在多线程程序中，承担读取待处理记录的任务了。

业务处理

例如核心处理程序如下：

import time
def process(worker_id, datasource):
    count = 0
    while True:
        status, data = datasource.getLine()
        if status:
            print(">>> 线程[%d] 获得数据， 正在处理……" % worker_id)
            time.sleep(3) # 等待3秒模拟处理过程
            print(">>> 线程[%d] 处理数据 完成" % worker_id)
            count += 1
        else:
            break # 退出循环
    print(">>> 线程[%d] 结束， 共处理[%d]条数据" % (worker_id, count))

• 参数 worker_id 是线程号，用于区分输出消息
• 参数 datasource 是 DataSource 的实例，作为各线程的共享数据源
• count 用于记录当前线程处理的记录数
• 用一个死循环，驱动反复处理，直到读取没数据可读

组装

线程组装部分就也很简单：

import threading
def main():
    datasource = DataSource('data.txt') 
    workercount = 10 # 开启的线程数，注意：并非越多越快哦
    workers = []
    for i in range(workercount):
        worker = threading.Thread(target=process, args=(i+1, datasource))
        worker.start()
        workers.append(worker)
    
    for worker in workers:
        worker.join()

• 先初始化一个 DataSource
• workercount 为需要创建的线程数，在实际应用中可以通过配置或者参数提供，另外不是线程越多越好，一般设置为CPU核心数的两倍即可
• threading.Thread 是线程类，可以实例化一个线程，target 参数是线程处理方法，这里就是前面定义的 process 方法，args 为提供给处理方法的参数
• 线程的 start 方法是启动线程，因为创建不等于启动，start 是个异步方法，调用会瞬间完成
• join 方法是等待线程处理完成，是同步方法，只有线程真正处理完成才会结束

扩展

通过这样的方式，帮我处理了很多实际的业务，比如爬取关键字信息，合并数据等等。

如果处理的数据不是文本文件，只要修改一下 DataSource 的 getLine 实现就可以了，比如数据源来自数据库等。

另外，上面的 DataSource 并非最优的，只是起到了规范读取接口，防止数据误读的作用，完全谈不上性能最优。

那么如何实现更优呢，这里提供一个思路就是，使用生产者消费者模型，利用 队列，以及 预读取 技术来实现更优的数据源类。

例如，DataSource 中，是逐行读取的，可以采用预读取，即提前读取一些数据，当线程需要数据时，先给出预读取的，等预读取的数据消费到一定量时，再异步读取一部分。

这样的好处是，各个线程不必等待 IO 时间（简单理解为从文件或者网络读取的等待时间）。

如何实现呢，可以了解一下队列（queue）的概念，Python 中提供了两种队列，同步队列 queue^[1] 和 队列集^[2]。

想想具体应该怎么做呢？欢迎在留言区写下你的方法和建议。

总结

今天分享了一个在实际工作中用到的，多线程处理数据的例子，例子虽然简单，但很实用，已经帮助我处理了很多重要的工作。

谈一些感悟，Python 的应用并不仅限于数据分析、AI 领域等热门领域，更多的可以应用在于处理日常生活工作中，比如处理数据，代替手工操作，简单运算等。

我们知道，学会一个东西最好的方式是使用，对于 Python 技能来说，也是一样的，多在日常工作中用，多去解决实际问题，不用卯足了劲儿，憋个大招。

祝你在 Python 大道上越走越顺，比心！