一、死锁
1.死锁现象
1.定义：死锁指的是某个资源被占用后一直得不到释放，导致其他需要这个资源的线程进入阻塞状态
2.产生死锁的原因：
from threading import Lock, Thread
import time- 1.对同一把互斥锁加锁（acquire）多次
mutex = Lock()
# 加锁两次，没有释放，程序无法向下执行
mutex.acquire()
mutex.acquire()- 2.一个共享资源，要访问必须同时具备多把锁，但是这些锁被不同的线程或进程所持有，就会导致相互等待对方释放，进而导致程序卡死
w = Lock()
k = Lock()
def eat1():
# 抢到了其中一把锁
w.acquire()
time.sleep(0.2) # 睡眠一下
# 由于时间太慢无法抢到第二把锁，而第一把锁也没有释放，所以两个线程都会等待
k.acquire()
print('我 开吃了')
k.release()
w.release()
def eat2():
# 抢到了另一把锁
k.acquire()
time.sleep(0.2)
# 只有同时拥有两把锁才能向下执行，等待对方释放
w.acquire()
print('你 开吃了')
k.release()
w.release()
t1 = Thread(target=eat1)
t2 = Thread(target=eat2)
t1.start()
t2.start()
# 最终都无法执行3.解决方法：
- 1.给acquire加上超时限制，可以保证线程不会卡死
l = Lock()
l.acquire()
l.acquire(timeout=3) - 2抢锁一定要按照相同的顺序去抢
- 3.递归锁:只是解决了多次给同一把锁加锁也能向下执行的问题
2.递归锁（可重入锁）
import time
from threading import Thread, RLock, currentThread
# currentThread = current_thread
r = RLock()1.特点：同一个线程可以对这个锁执行多次acquire，而不会造成卡死
# 对同一把锁加锁两次
r.acquire()
r.acquire()
print('递归锁，可以锁多次') # 任然可以执行全部代码2.注意：同一个线程必须保证，加锁的次数和解锁的次数相同，其他线程才能抢到这把锁
def task1():
# 加锁几次就解锁几次，以便后面的线程使用控制台资源
time.sleep(2)
r.acquire()
r.acquire()
print(currentThread().name)
r.release()
r.release()
def task2():
time.sleep(2)
r.acquire()
r.acquire()
print(currentThread().name)
r.release()
r.release()
# 多线程并发，谁先抢到锁，谁就先执行
Thread(target=task1).start()
Thread(target=task2).start()3.信号量
1.信号量可以限制同时并发执行公共代码的线程数量
2.如果限制数量为1，则与普通互斥锁没有区别
3.注意：信号量不是用来解决安全问题的，而是用于限制最大的并发量
from threading import Semaphore, currentThread, Thread
import time
# 限制同时访问公共代码的线程数量为5
sp = Semaphore(5)
def task():
sp.acquire()
time.sleep(1)
print(currentThread().name)
s.release()
for i in range(10)
# 开启十个线程，但是同一时间只有5个线程可以共同使用公共代码
Thread(target=task).start()二、GIL（全局解释器锁）
1.什么是GIL
1.GIL（全局解释器锁）：==在CPython中，防止多个线程在同一时间执行python字节码的一个互斥锁==
2.特点：GIL是非常重要的，因为CPython的内存管理是非线程安全的，很多其他特性都依赖于GIL锁，所以即使它影响了程序效率，也无法将其去除
3.总结：在CPython中，GIL会把线程的并行变成并发，导致效率降低
4.延申：需要知道的是，解释器并不只有CPython，还有PyPy 、JPython等等。GIL也仅存在于CPython中，这并不是python语言的问题，而是CPython解释器的问题
2.GIL带来的问题
1.单个线程开启流程
1.执行python文件的三个步骤：
- 1.从硬盘加载python解释器到内存
- 2.从硬盘加载py文件到内存
- 3.解释器解析py文件内容，交给CPU执行
2.注意：每当执行一个py文件，就会立即启动一个python解释器
3.执行python文件时的内存结构图，如下
2.多个线程开启流程
1.GIL叫做全局解释器锁，是用于加到解释器上的一把互斥锁，那么这把锁就会对应用程序有所影响
2.py文件中的内容本质都是字符串，只有在被解释器解释时，才具备语法意义，解释器会将py代码翻译为当前系统支持的指令交给系统去执行
3.当进程中仅存在一条线程时，GIL锁的存在不会影响效率，但是如果进程中有多个线程时，GIL锁就会发挥它的作用了
4.解释：
- 1.开启子线程时，给子线程指定了一个target，表示该子线程要处理的任务（即要执行的代码），代码要执行则必须交由解释器，即多个线程之间就需要共享解释器，为了避免共享带来的数据竞争问题，于是就需要给解释器加上互斥锁
- 2.由于互斥锁的特性，程序串行，保证数据的安全，降低执行效率，GIL使得程序整体效率降低
3.为什么需要GIL
1.GC线程
1.python程序(进程：python.exe）本质上就是一堆字符串，所以运行一个python程序时，必须开启一个解释器，但是在一个python程序中只有一个解释器，当有多个线程要执行时，就会产生线程安全问题
2.是不是我们不开启子线程就没有问题呢，答案是否定的。在使用python解释器编程时，程序员无需参与内存的管理工作，这是因为python有自带的内存管理机制，简称GC
3.python中的垃圾回收就是GC参与完成的，当内存占用达到某个阈值时，GC会将其他线程挂起，然后执行垃圾清理操作，执行这个操作的GC本身也是一串代码，也即需要开启一个线程来执行
4.也就是说，就算程序没有自己开启线程，内部也会有多个线程，GC线程与我们程序中的线程竞争解释器资源，就会产生安全问题
示例：
1.假设线程A要定义一个变量 a = 100，那么它的步骤是：1.先申请一块内存空间,并把数据100放进去；2.将100的内存地址与变量名a进行绑定，引用计数加一
2.如果线程A进行到第一步完成时，CPU切换到了GC线程，GC发现100的地址的引用计数为0，就会将它当成垃圾清理掉，等CPU再次切换到线程A时，刚刚保存的数据100就没有了，导致定义变量失败
3.当然其他一些涉及到内存的操作同样可能产生问题，为了避免GC与其他线程竞争解释器带来的安全问题，CPython简单粗暴的给解释器加了互斥锁2.GIL带来的问题
1.==互斥锁的特性使得多线程无法并行，只能并发==
2.详细解释：GIL是以把互斥锁，互斥锁只能让线程来回切换，导致效率降低，因此，在CPython中即使开启了多线程，而且是多核CPU，也是无法执行多线程并行的，因为在一个进程中只有一个解释器，而且同一时间只能有一个任务在执行（由于GIL锁的缘故）
3.如何解决GIL锁导致的效率问题
- 1.没办法解决，只能尽可能的避免GIL锁的影响
- 2.使用多进程能够实现并行，从而更好的利用多核CPU
- 3.对任务进行区分：==IO操作多的可以尽量使用多线程；计算密集型的任务尽量使用多进程==
4.我们不能因为CPython对于多线程无法实现并行，就否定python这门语言，因为：
1.GIL仅仅在CPython解释器中存在，在其他的解释器中没有，并不是Python这门语言的缺点
2.在单核处理器下，多线程之间本来就无法真正的并行执行
3.在多核处理下，运算效率的确是比单核处理器高，但是要知道现代应用程序多数都是基于网络的(qq,微信,爬虫,浏览器等IO密集型程序)，CPU的运行效率是无法决定网络速度的，而网络的速度是远远比不上处理器的运算速度，则意味着每次处理器在执行运算前都需要等待网络IO，这样一来多核优势也就没有那么明显了
5.对于GIL锁产生的问题的总结：
1.单核下无论是IO密集还是计算密集GIL都不会产生任何影响
2.多核下对于IO密集任务，GIL会有细微的影响，基本可以忽略
- 3.Cpython中IO密集任务应该采用多线程，计算密集型应该采用多进程
4.之所以广泛采用CPython解释器，就是因为大量的应用程序都是IO密集型的，还有另一个很重要的原因是CPython可以无缝对接各种C语言实现的库，这对于一些数学计算相关的应用程序而言非常的happy，直接就能使用各种现成的算法
3.GIL锁的作用
==有了GIL之后，多个线程将不可能在同一时间使用解释器，从而保证了解释器的数据安全，因此CPython中的内存管理就是线程安全的了==
4.关于GIL的性能
1.GIL的加锁与解锁时机
1.加锁时机：在调用解释器时立即加锁
2.解锁时机：
- 1.当前线程遇到了IO操作时，则释放GIL锁
- 2.当前线程执行时间超过设定值（阈值），则释放锁
2.性能测试
from multiprocessing import Process
from threading import Thread
import time1.IO密集型（如浏览网页）
- 1.计算任务非常少，大部分时间都在等待IO操作
- 2.由于网络IO速度对比CPU处理速度非常慢，多线程并发并不会有太大影响，另外如果有大量客户端连接服务，多进程根本开不起来
# 读写文件的操作也是IO操作，和输入输出类似
def task():
# 利用多线程/进程循环打开文件
for i in range(150):
with open(r'test.py', 'r', encoding='utf-8') as f:
f.read()
# 记录进程开始的时间
start_time = time.time()
tl = list() # 用于将实例化的进程对象/线程对象放入容器
for i in range(10):
# p = Process(target=task) # 使用多进程时，必须在main判断下进行
t = Thread(target=task)
t.start()
tl.append(t)
# 遍历列表
for j in tl:
j.join() # 无论是哪个进程对象/线程对象，主进程/主线程都会等待它们执行完，再运行自身
# 计算从进程开始到进程结束所花费的时间
print(time.time() - start_time)2.计算密集型（比如人脸识别、图像处理）
- 1.基本没有IO操作，大部分时间都在计算
- 2.由于多线程不能并行，应当使用多进程，将计算任务分给不同的CPU
- 3.其实更适合C语言这种运算速度极快的语言（适用于解析高清视频）
def task():
for i in range(1000000):
a = 6 + 6
if __name__ == '__main__':
start_time = time.time()
pl = list()
for i in range(6):
p = Process(target=task)
# t = Thread(target=task) # 多线程不需要在main判断下进行
p.start()
pl.append(p)
for j in pl:
j.join()
print(time.time() - start_time)3.GIL与自定义锁的区别
1.GIL保护的是解释器级别的数据安全，比如对象的引用计数、垃圾分代数据
2.自定义锁保护的是解释器之外的共享资源的安全，比如硬盘上的文件、控制台，所以当程序中出现了共享自定义的数据时，就需要自己加锁
from threading import Thread, Lock
import time # 为了模拟多线程竞争共享资源而导致数据错乱，需要导入时间模块来控制两个线程的速度
a = 0
mutex = Lock
def task():
# mutex.acquire()
global a
temp = a
# 如果不加锁，则两个线程都会运行到这里等待，它们获取的temp都是0，因为第一个线程还没有改变a的值
time.sleep(0.1)
a = temp + 1
# mutex.release()
t1 = Thread(target=task)
t2 = Thread(target=task)
t1.start()
t2.start()
t1.join()
t2.join()
print(a)
# 如果不加锁，则a为1；加锁之后由于每次只有一个线程会执行共享代码（数据），所以a的值会被加两次，则a为2三、线程池与进程池
import os
import time
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor
from threading import activeCount, enumerate, currentThread1.线程池
1.池表示一个容器，线程池本质上就是一个存储线程的列表
2.如果是IO密集型任务，则使用线程池
# 创建一个线程池，指定最多可以容纳的线程数量
pool = ThreadPoolExecutor(10) # 自定义一个最多可以容纳10个线程的线程池（如果不指定，则默认为CPU的个数乘以5）
def task():
time.sleep(1) # 让多个线程在同一起跑线，并打印自己的名字
print(currentThread().name)
# 提交任务到池子中
pool.submit(task)
pool.submit(task)
pool.submit(task)
print(active_count()) # 存活的线程数量（包括主线程）
print(enumerate()) # 当前存活线程信息（列表形式）
'''
4
[<_MainThread(MainThread, started 19612)>, <Thread(ThreadPoolExecutor-0_0, started daemon 42040)>, <Thread(ThreadPoolExecutor-0_1, started daemon 47792)>, <Thread(ThreadPoolExecutor-0_2, started daemon 47232)>]
ThreadPoolExecutor-0_1
ThreadPoolExecutor-0_0
ThreadPoolExecutor-0_2
'''2.进程池
def task():
time.sleep(1)
print(os.getpid(), os.getppid())
if __name__ == '__main__':
pool = ProcessPoolExecutor(5) # 如果不指定个数，则默认为CPU的个数
pool.submit(task)
pool.submit(task)
pool.submit(task)
pool.submit(task)
pool.submit(task)
print(os.getpid())
'''
51012
50860 51012
50512 51012
51024 51012
50540 51012
51180 51012
'''3.线程池与进程池
1.为什么要使用线程池/进程池
- 1.可以避免频繁的创建和销毁（进程/线程），来降低对资源的开销
- 2.可以限制同时存在的线程数量，以保证服务器不会因为资源不足而崩溃
- 3.帮我们管理线程/进程的生命周期
- 4.管理任务的分配
2.注意：如果进程不结束，池子里面的进程/线程也会一直存活
四、同步与异步
1.回顾
1.程序的运行状态：阻塞与非阻塞
2.处理任务的方式：并行、并发、串行
3.提交任务的方式：同步、异步
2.同步
1.同步（指的是调用）：提交任务后必须在原地等待，直到任务结束才能执行下面的代码
2.同步会有等待的效果，但是和阻塞完全不同，阻塞时程序会被剥夺CPU执行权，而同步调用则不会
def task():
for i in range(1000000):
6 + 6
print('start...')
task() # 不是阻塞，而是在进行大量的计算，称为同步执行
print('end') # 要等到上一行代码执行完毕3.异步
1.异步相关概念
1.异步（异步调用）：发起任务后不用等待任务执行完毕，可以立即开启执行其他操作
2.异步效率高于同步，但是会出现另一个问题，就是任务发起方不知道任务合适处理完成
2.解决异步无法知晓任务状态的问题
1.轮询：每隔一段时间就询问一次（效率低、无法及时获取结果）
# 不推荐轮询的方法
from threading import Thread
import time
is_start = False
def server_task():
global is_start
print('服务器正在启动...')
time.sleep(2)
print('服务器启动成功')
is_start = True
def client_task():
while True:
time.sleep(0.2)
if is_start:
print('连接成功')
break
else:
print('请耐心等待...')
t1 = Thread(target=server_task)
t2 = Thread(target=client_task)
t1.start()
t2.start()
print('异步——轮询方法')2.异步回调：让任务的执行方主动通知任务的执行状态（可以及时拿到任务的结果）
- 1.方法一：定义一个回调函数，用来反映异步调用的子线程完成之后的状态（结果）
from threading import Thread
# 具体的任务
def task(callback):
print('子线程start')
for i in range(1000000):
6 + 7
callback('子线程end')
# 回调函数（参数是表示任务的结果）
def call_back(res):
print(res)
print('主线程 start')
t = Thread(target=task, args=(call_back,))
t.start()
print('主线程 end')- 2.方法二：利用线程池中的add_done_callback方法来绑定回调函数
from concurrent.futures import ThreadPoolExecutor
import time
# 具体的任务
def task():
time.sleep(2)
print('子线程end')
return 'ok'
# 回调函数（参数是表示任务的结果）
def call_back(arg):
print(arg) # <Future at 0x1345dd8e9b0 state=finished returned str>
print(arg.result()) # ok
pool = ThreadPoolExecutor(10)
res = pool.submit(task) # 异步提交方式
print(res)
# print(res.result()) # result是阻塞函数，它会阻塞到任务执行完毕为止
res.add_done_callback(call_back) # 为这个任务绑定回调函数
print('主线程 end')
# 使用案例
def task(num):
time.sleep(1)
print(num)
return 'ok' # 返回值就包含在res这个对象中
def callback(obj):
print(obj.result()) # 绑定的回调函数会接收返回值对象res，它是一个对象，只能通过打印 对象.result() 才能得到任务的返回值
pool = ThreadPoolExecutor()
res = pool.submit(task, 666) # res接收的是一个返回值对象（区别于函数返回值）
res.add_done_callback(callback)
print('over')3.异步回调详解
1.定义：在发起一个异步任务的同时指定一个函数，在异步任务完成时会自动的调用这个函数
2.为什么需要异步回调
- 之前在使用线程池或进程池提交任务时，如果想要处理任务的执行结果则必须调用result函数或是shutdown函数，而它们都是是阻塞的，会等到任务执行完毕后才能继续执行，这样一来在这个等待过程中就无法执行其他任务，降低了效率，所以需要一种方案，即保证解析结果的线程不用等待，又能保证数据能够及时被解析，该方案就是异步回调
3.总结
- 异步回调使用方法就是在提交任务后得到一个Futures对象，调用对象的add_done_callback来指定一个回调函数
4.注意：
- 1.使用进程池时，回调函数都是主进程中执行执行
- 2.使用线程池时，回调函数的执行线程是不确定的，哪个线程空闲就交给哪个线程
- 3.回调函数默认接收一个参数就是这个任务对象自己，再通过对象的result函数来获取任务的处理结果
5.异步回调的应用
import requests,re,os,random,time
from concurrent.futures import ProcessPoolExecutor
def get_data(url):
print("%s 正在请求%s" % (os.getpid(),url))
time.sleep(random.randint(1,2))
response = requests.get(url)
print(os.getpid(),"请求成功 数据长度",len(response.content))
#parser(response) # 3.直接调用解析方法 哪个进程请求完成就那个进程解析数据 强行使两个操作耦合到一起了
return response
def parser(obj):
data = obj.result()
htm = data.content.decode("utf-8")
ls = re.findall("href=.*?com",htm)
print(os.getpid(),"解析成功",len(ls),"个链接")
if __name__ == '__main__':
pool = ProcessPoolExecutor(3)
urls = ["https://www.baidu.com",
"https://www.sina.com",
"https://www.python.org",
"https://www.tmall.com",
"https://www.mysql.com",
"https://www.apple.com.cn"]
# objs = []
for url in urls:
# res = pool.submit(get_data,url).result() # 1.同步的方式获取结果 将导致所有请求任务不能并发
# parser(res)
obj = pool.submit(get_data,url) #
obj.add_done_callback(parser) # 4.使用异步回调，保证了数据可以被及时处理，并且请求和解析解开了耦合
# objs.append(obj)
# pool.shutdown() # 2.等待所有任务执行结束在统一的解析
# for obj in objs:
# res = obj.result()
# parser(res)
# 1.请求任务可以并发 但是结果不能被及时解析 必须等所有请求完成才能解析
# 2.解析任务变成了串行,五、线程事件Event
1.什么是事件
1.事件表示在某个时间发生了某个事情的通知信号，用于线程间的协同工作
2.作用：因为不同线程之间是独立运行的状态，不可预测，所以一个线程与另一个线程间的数据是不同步的，当一个线程需要利用另一个线程的状态来确定自己的下一步操作时，就必须保持线程间数据的同步，Event就可以实现线程间同步
2.Event相关概念
1.Event对象包含一个可由线程设置的信号标志，它允许线程等待某些事件的发生
2.在初始情况下，Event对象中的信号标志被设置为假，如果有线程等待一个Event对象，而这个Event对象的标志为假，那么这个线程将会被一直阻塞，直到该标志为真
3.一个线程如果将一个Event对象的信号标志设置为真，它将唤醒所有等待这个Event对象的线程
4.如果一个线程等待一个已经被设置为真的Event对象，那么它将忽略这个事件，继续执行
3.Event对象的方法
event.isSet()：返回event的状态值；等价于event.is_set()
event.wait()：将阻塞线程；直到event的状态为True
event.set()： 设置event的状态值为True，所有阻塞池的线程激活进入就绪状态， 等待操作系统调度；
event.clear()：恢复event的状态值为False。4.如何使用Event
通过wait函数阻塞当前线程，直到Event对象的状态从False变为True
from threading import Thread, Event
import time
e = Event() # 实例化一个事件对象，它的初始值时False
def start_server():
print('server loading...')
time.sleep(2)
print('server start')
e.set() # 当服务器线程执行完时，事件对象通过set方法将其状态（bool值）标为True
def connect_task():
e.wait() # 在并发的多线程中，连接线程由于事件对象的wait方法，会一直处于阻塞状态，直到事件对象的bool值为True时，才会变为非阻塞
if e.is_set(): # is_set方法可以获取事件对象的状态
print('connect sucessful')
t1 = Thread(target=start_server)
t2 = Thread(target=connect_task)
t1.start()
t2.start()