Python3多线程学习

一、简单实现多线程的方法

使用继承的方式实现多线程

import threading


class myTread(threading.Thread):
    def __init__(self):
        threading.Thread.__init__(self)
    def run(self):
        pass

if __name__ == '__main__':
    mythread = myTread()
    mythread.start()

二、配合queue多线程实现同步

实现打印10000000个数字的方式对单线程和多线程进行对比，实现代码如下

import threading
import queue
import time

class myTread(threading.Thread):
    def __init__(self):
        threading.Thread.__init__(self)
    def run(self):
        while not q.empty():
            print(q.get_nowait()) #从队列中取数据，并打印输出
            q.task_done()         #判断单条get是否取完毕


if __name__ == '__main__':
    q = queue.Queue()
    #先把数据放入队列中
    for i in range(1000000):
        q.put(i)
    #设置开始时间
    start_time = time.time()
    for i in range(7):
        t1 = myTread()
        t1.start()

    q.join() #判断队列是否已经取完，没取完之前就会就行线程堵塞
    end_time = time.time()
    # print('时间：{}'.format((end_time - start_time)))  #计算程序运行时间
    print(f'时间：{end_time - start_time}')

单线程运行时间：

多线程运行时间，这个我开7个线程：

发现反而是单线程的执行效率比多线程的快好多。

Python中对GIL的理解：

Python是解释型语言，那么它在运行的时候就需要解释器了，简单描述下GIL，即global interpreter lock，全局解释器锁，就是python在运行的时候会锁定解释器，就是说在运行的时候只能是一个线程，锁死了，切换不了；每个线程在运行之前都要申请GIL，那么就必须要等上一个线程释放这把锁你才可以申请到，然后执行代码，执行完后，你再交给下一个线程，让它去执行代码，所以多线程会频繁的竞争得到GIL，固然要比单线程的时间多，过程如下：

　　设置GIL -> 切换到一个线程去执行 -> 运行 -> 把线程设置为睡眠状态 -> 解锁GIL

 

总结

Python的多线可以大幅提高代码的效力，但是对于人工智能来说就不太适合了，所以数据领域没有多线程提高效率之说，只有将CPU提升到GPU，TPU来提升计算能力。

Python多现实适合于IO密集型任务：

比如爬虫，当向服务器发送请求的时候，要等服务器响应返回数据，程序才会释放GIL锁，进程才会往下执行，如果是单线程的话，每一次请求都要等待前面的进程访问时间，每次请求服务器返回的数据时间都不一样，如果每次请求都要排队等待的话，反而时间会更长，那么单线程显而易见反而效力底下，如果多线程的话就是实现并发请求，反而效力更高

参考博客：

https://blog.csdn.net/qq_29699799/article/details/79947836

https://blog.csdn.net/weixin_39800971/article/details/114423692

 

三、Python实现多进程

Python实现多进程的包：multiprocessing

后续学习.....