python3--批量创建多线程（threading）不加锁实现线程安全方法之一

151 阅读 0 评论 100 点赞

我是靠谱客的博主含糊果汁，最近开发中收集的这篇文章主要介绍python3--批量创建多线程（threading）不加锁实现线程安全方法之一，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

多线程和多进程最大的不同在于，多进程中，同一个变量，各自有一份拷贝存在于每个进程中，互不影响，而多线程中，所有变量都由所有线程共享，所以，任何一个变量都可以被任何一个线程修改，因此，线程之间共享数据最大的危险在于多个线程同时改一个变量，把内容给改乱了。

所以为了解决这个问题，会有一些加锁等操作。这里博主提供一种不加锁的解决方案（记得点赞加关注哦，码字不易）：

import threading

n = 0  # 标记，看能否归零，不能证明被乱改了


def thread1():
    for t in range(10000):
        print(f"this is thread{t}")
        global n
        n = n + 1
        n -= 1


l = []  # 子线程池

for i in range(10):  # 循环创建子线程，我试了最大试了100W，就卡死了，不知道是系统限制，还是博主电脑带不动。

    t = threading.Thread(target=thread1)  # 实例子线程
    l.append(t)  # 将子线程添加到线程池统一管理
    t.start()
for k in l:
    k.join()  # 子线程开启线程守护

print(f"number:{n}")  # 结果
print('son thread before ten:%s' % l[0:10])  # 打印前十线程对象

结果：
在这里插入图片描述
拓展：
多线程类似于同时执行多个不同程序，多线程运行有如下优点：

使用线程可以把占据长时间的程序中的任务放到后台去处理。
用户界面可以更加吸引人，比如用户点击了一个按钮去触发某些事件的处理，可以弹出一个进度条来显示处理的进度。
程序的运行速度可能加快。
在一些等待的任务实现上如用户输入、文件读写和网络收发数据等，线程就比较有用了。在这种情况下我们可以释放一些珍贵的资源如内存占用等等。

每个线程都有他自己的一组CPU寄存器，称为线程的上下文，该上下文反映了线程上次运行该线程的CPU寄存器的状态。

指令指针和堆栈指针寄存器是线程上下文中两个最重要的寄存器，线程总是在进程得到上下文中运行的，这些地址都用于标

GIL 全局解释器
在非python环境中，单核情况下，同时只能有一个任务执行。多核时可以支持多个线程同时执行。但是在python中，无论有多少个核
同时只能执行一个线程。究其原因，这就是由于GIL的存在导致的。
GIL的全程是全局解释器，来源是python设计之初的考虑，为了数据安全所做的决定。某个线程想要执行，必须先拿到GIL，我们可以
把GIL看做是“通行证”，并且在一个python进程之中，GIL只有一个。拿不到线程的通行证，并且在一个python进程中，GIL只有一个，
拿不到通行证的线程，就不允许进入CPU执行。GIL只在cpython（解释器）中才有，因为cpython调用的是c语言的原生线程，所以他不能直接操
作cpu，而只能利用GIL保证同一时间只能有一个线程拿到数据。而在pypy和jpython中是没有GIL的
python在使用多线程的时候，调用的是c语言的原生过程。
所以解决GIL问题，方法之一可以替换不同的python解释器。
‘’’
‘’’
python针对不同类型的代码执行效率也是不同的
1、CPU密集型代码（各种循环处理、计算等），在这种情况下，由于计算工作多，ticks技术很快就会达到阀值，然后出发GIL的
释放与再竞争（多个线程来回切换当然是需要消耗资源的），所以python下的多线程对CPU密集型代码并不友好。
2、IO密集型代码（文件处理、网络爬虫等设计文件读写操作），多线程能够有效提升效率（单线程下有IO操作会进行IO等待，
造成不必要的时间浪费，而开启多线程能在线程A等待时，自动切换到线程B，可以不浪费CPU的资源，从而能提升程序的执行
效率）。所以python的多线程对IO密集型代码比较友好。
‘’’
‘’’
主要要看任务的类型，我们把任务分为I/O密集型和计算密集型，而多线程在切换中又分为I/O切换和时间切换。如果任务属于是I/O密集型，
若不采用多线程，我们在进行I/O操作时，势必要等待前面一个I/O任务完成后面的I/O任务才能进行，在这个等待的过程中，CPU处于等待
状态，这时如果采用多线程的话，刚好可以切换到进行另一个I/O任务。这样就刚好可以充分利用CPU避免CPU处于闲置状态，提高效率。但是
如果多线程任务都是计算型，CPU会一直在进行工作，直到一定的时间后采取多线程时间切换的方式进行切换线程，此时CPU一直处于工作状态，
此种情况下并不能提高性能，相反在切换多线程任务时，可能还会造成时间和资源的浪费，导致效能下降。这就是造成上面两种多线程结果不能的解释。
结论:I/O密集型任务，建议采取多线程，还可以采用多进程+协程的方式(例如:爬虫多采用多线程处理爬取的数据)；对于计算密集型任务，python此时就不适用了。
‘’’
————————————————
版权声明：本文为CSDN博主「笨小孩哈哈」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_40481076/article/details/101594705