深度学习(莫烦Python基础：lecture 1）多线程 Threading

https://blog.csdn.net/malele4th/article/details/79460590

原文：https://morvanzhou.github.io/learning-steps/

多线程 Threading

目录

1、什么是Threading

多线程是加速程序计算的有效方式，Python的多线程模块threading上手快速简单

2、添加线程Thread

threading模块的一些基本操作，如获取线程数，添加线程等

import threading

def thread_job():
    print('This is a thread of %s' % threading.current_thread()) #查看现在正在运行的线程
    print(threading.active_count())                              #获取已激活的线程数
    print(threading.enumerate())    # see the thread list，查看所有线程信息，一个<_MainThread(...)> 带多个 <Thread(...)>

def main():
    thread = threading.Thread(target=thread_job,)  #添加线程，接收参数target代表这个线程要完成的任务，需自行定义
    thread.start()             #让线程开始工作
if __name__ == '__main__':
    main()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

This is a thread of <Thread(Thread-6, started 3488)>
6
[<HistorySavingThread(IPythonHistorySavingThread, started 5456)>, <Thread(Thread-6, started 3488)>, <Heartbeat(Thread-5, started daemon 3396)>,
 <ParentPollerWindows(Thread-3, started daemon 1000)>, <_MainThread(MainThread, started 3228)>, <Thread(Thread-4, started daemon 5980)>]

• 1
• 2
• 3
• 4

3、join功能

（1）不加 join( ) 的结果

我们让 T1 线程工作的耗时增加

import threading
import time

def thread_job():
    print("T1 start\n")
    for i in range(10):
        time.sleep(0.1) # 任务间隔0.1s
    print("T1 finish\n")

added_thread = threading.Thread(target=thread_job, name='T1')
added_thread.start()
print("all done\n")

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

预想中输出的结果是否为：
T1 start
T1 finish
all done

但实际却是：
all done
T1 start


T1 finish

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

（2）加入 jion( ) 的结果

线程任务还未完成便输出all done。 
如果要遵循顺序，可以在启动线程后对它调用join

• 使用join对控制多个线程的执行顺序非常关键。 
  举个例子，假设我们现在再加一个线程T2，T2的任务量较小，会比T1更快完成

def T1_job():
    print("T1 start\n")
    for i in range(10):
        time.sleep(0.1)
    print("T1 finish\n")

def T2_job():
    print("T2 start\n")
    print("T2 finish\n")

thread_1 = threading.Thread(target=T1_job, name='T1')
thread_2 = threading.Thread(target=T2_job, name='T2')

thread_1.start() # 开启T1
thread_2.start() # 开启T2

print("all done\n")

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17

T1 start

all done
T2 start


T2 finish

T1 finish

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

现在T1和T2都没有join，all done的出现完全取决于两个线程的执行速度， 完全有可能T2 finish出现在all done之前。这种杂乱的执行方式是我们不能忍受的，因此要使用join加以控制。

我们试试在T1启动后，T2启动前加上thread_1.join():

def T1_job():
    print("T1 start\n")
    for i in range(10):
        time.sleep(0.1)
    print("T1 finish\n")

def T2_job():
    print("T2 start\n")
    print("T2 finish\n")

thread_1 = threading.Thread(target=T1_job, name='T1')
thread_2 = threading.Thread(target=T2_job, name='T2')

thread_1.start() # 开启T1
thread_1.join()

thread_2.start() # 开启T2

print("all done\n")

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19

T1 start

T1 finish

T2 start

all done
T2 finish

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

可以看到，T2会等待T1结束后才开始运行。

如果我们在T2启动后放上thread_1.join()会怎么样呢？

def T1_job():
    print("T1 start\n")
    for i in range(10):
        time.sleep(0.1)
    print("T1 finish\n")

def T2_job():
    print("T2 start\n")
    print("T2 finish\n")

thread_1 = threading.Thread(target=T1_job, name='T1')
thread_2 = threading.Thread(target=T2_job, name='T2')

thread_1.start() # 开启T1
thread_2.start() # 开启T2
thread_1.join()

print("all done\n")

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18

T1 start

T2 start

T2 finish

T1 finish
all done

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

T2在T1之后启动，并且因为T2任务量小会在T1之前完成；而T1也因为加了join，all done在它完成后才显示。

你也可以添加thread_2.join()进行尝试，但为了规避不必要的麻烦，推荐如下这种1221的V型排布：

def T1_job():
    print("T1 start\n")
    for i in range(10):
        time.sleep(0.1)
    print("T1 finish\n")

def T2_job():
    print("T2 start\n")
    print("T2 finish\n")

thread_1 = threading.Thread(target=T1_job, name='T1')
thread_2 = threading.Thread(target=T2_job, name='T2')

thread_1.start() # 开启T1
thread_2.start() # 开启T2
thread_2.join()
thread_1.join()

print("all done\n")

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19

T1 start

T2 start

T2 finish

T1 finish

all done

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

4、存储进程结果 Queue

"""代码实现功能: 将数据列表中的数据传入，使用四个线程处理，将结果保存在Queue中
                 线程执行完后，从Queue中获取存储的结果 """
import threading
import time

from queue import Queue

"""
定义一个被多线程调用的函数

函数的参数: 一个列表l和一个队列q

函数的功能: 对列表的每个元素进行平方计算，将结果保存在队列中
"""
def job(l,q):
    for i in range (len(l)):
        l[i] = l[i]**2
    q.put(l) #多线程调用的函数不能用return返回值

"""
定义一个多线程函数 

在多线程函数中定义一个Queue，用来保存返回值，代替return

定义一个多线程列表，初始化一个多维数据列表，用来处理
"""
def multithreading():
    q =Queue()   #q中存放返回值，代替return的返回值
    threads = []
    data = [[1,2,3],[3,4,5],[4,4,4],[5,5,5]]

    """在多线程函数中定义四个线程，启动线程
       将每个线程添加到多线程的列表中"""
    for i in range(4):
        t = threading.Thread(target=job,args=(data[i],q)) 
            # Thread首字母要大写，被调用的job函数没有括号，只是一个索引，参数在后面
        t.start() #开始线程
        threads.append(t) #把每个线程append到线程列表中

    """分别join四个线程到主线程"""
    for thread in threads:
        thread.join()

    """定义一个空的列表results
       将四个线程运行后保存在队列中的结果返回给空列表results
    """
    results = []
    for _ in range(4):
        results.append(q.get())  #q.get()按顺序从q中拿出一个值
    print(results)

if __name__=='__main__':
    multithreading()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53

[[1, 4, 9], [9, 16, 25], [16, 16, 16], [25, 25, 25]]

• 1

5、GIL不一定有效率

这次我们来看看为什么说 python 的多线程 threading 有时候并不是特别理想

• 最主要的原因是就是, Python 的设计上, 有一个必要的环节, 就是 Global Interpreter Lock (GIL). 这个东西让 Python 还是一次性只能处理一个东西.

摘抄了一段对于 GIL 的解释

（1）尽管Python完全支持多线程编程， 但是解释器的C语言实现部分在完全并行执行时并不是线程安全的。 实际上，解释器被一个全局解释器锁保护着，它确保任何时候都只有一个Python线程执行。 GIL最大的问题就是Python的多线程程序并不能利用多核CPU的优势 （比如一个使用了多个线程的计算密集型程序只会在一个单CPU上面运行）。

（2）在讨论普通的GIL之前，有一点要强调的是GIL只会影响到那些严重依赖CPU的程序（比如计算型的）。 如果你的程序大部分只会涉及到I/O，比如网络交互，那么使用多线程就很合适， 因为它们大部分时间都在等待。实际上，你完全可以放心的创建几千个Python线程， 现代操作系统运行这么多线程没有任何压力，没啥可担心的。

测试GIL（Global Interpreter Lock）

我们创建一个 job, 分别用 threading 和 一般的方式执行这段程序.

并且创建一个 list 来存放我们要处理的数据.

在 Normal 的时候, 我们这个 list 扩展4倍, 
在 threading 的时候, 我们建立4个线程, 并对运行时间进行对比.

import threading
from queue import Queue
import copy
import time

def job(l, q):
    res = sum(l)
    q.put(res)

def multithreading(l):
    q = Queue()
    threads = []
    for i in range(4):
        t = threading.Thread(target=job, args=(copy.copy(l), q), name='T%i' % i)
        t.start()
        threads.append(t)
    [t.join() for t in threads]
    total = 0
    for _ in range(4):
        total += q.get()
    print(total)

def normal(l):
    total = sum(l)
    print(total)

if __name__ == '__main__':
    l = list(range(1000000))
    s_t = time.time()
    normal(l*4)
    print('normal: ',time.time()-s_t)
    s_t = time.time()
    multithreading(l)
    print('multithreading: ', time.time()-s_t)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35

1999998000000
normal:  0.21001219749450684
1999998000000
multithreading:  0.20301151275634766

• 1
• 2
• 3
• 4

如果你成功运行整套程序, 你大概会有这样的输出. 我们的运算结果没错, 所以程序 threading 和 Normal 运行了一样多次的运算. 但是我们发现 threading 却没有快多少, 按理来说, 我们预期会要快3-4倍, 因为有建立4个线程, 但是并没有. 这就是其中的 GIL 在作怪.

6、线程锁Lock

（1）不用 Lock 的情况

import threading

"""函数一：全局变量A的值每次加1，循环10次，并打印"""
def job1():
    global A
    for i in range(10):
        A+=1
        print('job1',A)

"""函数二：全局变量A的值每次加10，循环10次，并打印"""
def job2():
    global A
    for i in range(10):
        A+=10
        print('job2',A)

"""主函数：定义两个线程，分别执行函数一和函数二"""
if __name__== '__main__':
    lock = threading.Lock()
    A=0
    t1=threading.Thread(target=job1)
    t2=threading.Thread(target=job2)
    t1.start()
    t2.start()
    t1.join()
    t2.join()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26

job1job2  120

job1job2  230

job1job2  340

job1job2  450

job1job2  560

job1job2  670

job1job2  780

job1job2  890

job1job2  9100

job1job2  10110

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19

可以看出，打印的结果非常混乱 
（2）使用 Lock 的情况 
lock在不同线程使用同一共享内存时，能够确保线程之间互不影响，使用lock的方法是， 在每个线程执行运算修改共享内存之前，执行lock.acquire()将共享内存上锁， 确保当前线程执行时，内存不会被其他线程访问，执行运算完毕后，使用lock.release()将锁打开， 保证其他的线程可以使用该共享内存。

import threading

def job1():
    global A,lock
    lock.acquire()
    for i in range(10):
        A+=1
        print('job1',A)
    lock.release()

def job2():
    global A,lock
    lock.acquire()
    for i in range(10):
        A+=10
        print('job2',A)
    lock.release()

if __name__== '__main__':
    lock=threading.Lock()
    A=0
    t1=threading.Thread(target=job1)
    t2=threading.Thread(target=job2)
    t1.start()
    t2.start()
    t1.join()
    t2.join()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27

job1 1
job1 2
job1 3
job1 4
job1 5
job1 6
job1 7
job1 8
job1 9
job1 10
job2 20
job2 30
job2 40
job2 50
job2 60
job2 70
job2 80
job2 90
job2 100
job2 110

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20

从打印结果来看，使用lock后，一个一个线程执行完。使用lock和不使用lock，最后打印输出的结果是不同的。