Python并发编程05 /死锁现象、递归锁、信号量、GIL锁、计算密集型/IO密集型效率验证、进程池/线程池

Python并发编程05 /死锁现象、递归锁、信号量、GIL锁、计算密集型/IO密集型效率验证、进程池/线程池

目录

1. 死锁现象

  • 死锁：
    是指两个或两个以上的进程或线程在执行过程中，因争夺资源而造成的一种互相等待的现象，若无外力作用，它们都将无法推进下去。

  • 死锁现象：
    ①连续锁多次，②锁嵌套引起的死锁现象

  • 代码示例：

    from threading import Thread
from threading import Lock
import time

lock_A = Lock()
lock_B = Lock()
class MyThread(Thread):
    def run(self):
        self.f1()
        self.f2()
        
    def f1(self):
        lock_A.acquire()
        print(f'{self.name}拿到了A锁')
        lock_B.acquire()
        print(f'{self.name}拿到了B锁')
        lock_B.release()
        lock_A.release()

    def f2(self):
        lock_B.acquire()
        print(f'{self.name}拿到了B锁')
        time.sleep(0.1)
        lock_A.acquire()
        print(f'{self.name}拿到了A锁')
        lock_A.release()
        lock_B.release()

if __name__ == '__main__':
    for i in range(3):
        t = MyThread()
        t.start()

2. 递归锁

  • 递归锁

    作用：递归锁可以解决死锁现象,业务需要多个锁时,先要考虑递归锁

    工作原理：递归锁有一个计数的功能, 原数字为0,上一次锁,计数+1,释放一次锁,计数-1,
    只要递归锁上面的数字不为零,其他线程就不能抢锁.

  • 代码示例

    使用方式一：

    from threading import Thread
from threading import RLock
import time

lock_A = lock_B = RLock()
class MyThread(Thread):

    def run(self):
        self.f1()
        self.f2()

    def f1(self):
        lock_A.acquire()
        print(f'{self.name}拿到了A锁')
        lock_B.acquire()
        print(f'{self.name}拿到了B锁')
        lock_B.release()
        lock_A.release()

    def f2(self):
        lock_B.acquire()
        print(f'{self.name}拿到了B锁')
        time.sleep(0.1)
        lock_A.acquire()
        print(f'{self.name}拿到了A锁')
        lock_A.release()
        lock_B.release()

if __name__ == '__main__':
    for i in range(3):
        t = MyThread()
        t.start()

    使用方式二：利用上下文管理

    from threading import RLock

def task():
    with RLock:
        print(111)
        print(222)

# 执行完with内的语句会释放锁

3. 信号量

  • 可以并发的数量，本质上也是一种锁，可以设置同一时刻抢锁线程的数量

  • 代码示例

    from threading import Thread, Semaphore, current_thread
import time
import random
sem = Semaphore(5)

def task():
    sem.acquire()
    print(f'{current_thread().name} 吃饭中...')
    time.sleep(random.randint(1,3))
    sem.release()

if __name__ == '__main__':
    for i in range(20):
        t = Thread(target=task,)
        t.start()

4. GIL全局解释器锁

1. 背景

  • 理论上来说:单个进程的多线程可以利用多核.

  • 但是,开发Cpython解释器的程序员,给进入解释器的线程加了锁.

2. 加锁的原因：

  1. 当时都是单核时代,而且cpu价格非常贵.

  2. 如果不加全局解释器锁, 开发Cpython解释器的程序员就会在源码内部各种主动加锁,解锁,非常麻烦,各种死锁现象等等.为了省事儿,直接进入解释器时给线程加一个锁.

  3. 优缺点：

    优点: 保证了Cpython解释器的数据资源的安全.
    缺点: 单个进程的多线程不能利用多核.

  4. Jpython没有GIL锁，pypy也没有GIL锁

  5. 现在多核时代, 我将Cpython的GIL锁去掉行么?

    因为Cpython解释器所有的业务逻辑都是围绕着单个线程实现的,去掉这个GIL锁,几乎不可能.

  6. 单个进程的多线程可以并发,但是不能利用多核,不能并行，多个进程可以并发,并行.

3. GIL与Lock锁的区别

  • 相同点: 都是同种锁,互斥锁.
  • 不同点:
    GIL锁全局解释器锁,保护解释器内部的资源数据的安全.
    GIL锁 上锁,释放无需手动操作.
    自己代码中定义的互斥锁保护进程线程中的资源数据的安全.
    自己定义的互斥锁必须自己手动上锁,释放锁.

4. 为什么GIL保证不了自己数据的安全？

  • 一个线程去修改一个数据的时候，由于网络延迟或者其它原因，被另一个线程抢到GIL锁，拿到这个数据，此时就造成了该数据的不安全。

5. 验证计算密集型、IO密集型的效率

  • IO密集型：单个进程的多线程并发 vs 多个进程的并发并行

    def task():
    count = 0
    time.sleep(random.randint(1,3))
    count += 1

if __name__ == '__main__':
    # 多进程的并发,并行
    start_time = time.time()
    l1 = []
    for i in range(50):
        p = Process(target=task,)
        l1.append(p)
        p.start()
    for p in l1:
        p.join()
    print(f'执行效率:{time.time()- start_time}')  #  8.000000000

    # 多线程的并发
    start_time = time.time()
    l1 = []
    for i in range(50):
        p = Thread(target=task,)
        l1.append(p)
        p.start()
    for p in l1:
        p.join()
    print(f'执行效率:{time.time()- start_time}')  # 3.0294392108917236
    
# 结论：对于IO密集型: 单个进程的多线程的并发效率高.

  • 计算密集型：单个进程的多线程并发 vs 多个进程的并发并行

    from threading import Thread
from multiprocessing import Process
import time
import random

def task():
    count = 0
    for i in range(10000000):
        count += 1

if __name__ == '__main__':
    # 多进程的并发,并行
    start_time = time.time()
    l1 = []
    for i in range(4):
        p = Process(target=task,)
        l1.append(p)
        p.start()
    for p in l1:
        p.join()
    print(f'执行效率:{time.time()- start_time}')  # 3.1402080059051514

    # 多线程的并发
    start_time = time.time()
    l1 = []
    for i in range(4):
        p = Thread(target=task,)
        l1.append(p)
        p.start()
    for p in l1:
        p.join()
    print(f'执行效率:{time.time()- start_time}')  # 4.5913777351379395
    
# 结论：对于计算密集型: 多进程的并发并行效率高.

6. 多线程实现socket通信

  • 无论是多线程还是多进程,都是一样的写法,来一个客户端请求,我就开一个线程,来一个请求开一个线程,在计算机允许范围内,开启的线程进程数量越多越好.

  • 服务端

    import socket
from threading import Thread

def communicate(conn,addr):
    while 1:
        try:
            from_client_data = conn.recv(1024)
            print(f'来自客户端{addr[1]}的消息: {from_client_data.decode("utf-8")}')
            to_client_data = input('>>>').strip()
            conn.send(to_client_data.encode('utf-8'))
        except Exception:
            break
    conn.close()

def _accept():
    server = socket.socket()
    server.bind(('127.0.0.1', 8848))
    server.listen(5)
    while 1:
        conn, addr = server.accept()
        t = Thread(target=communicate,args=(conn,addr))
        t.start()

if __name__ == '__main__':
    _accept()

  • 客户端

    import socket
client = socket.socket()
client.connect(('127.0.0.1',8848))

while 1:
    try:
        to_server_data = input('>>>').strip()
        client.send(to_server_data.encode('utf-8'))
        from_server_data = client.recv(1024)
        print(f'来自服务端的消息: {from_server_data.decode("utf-8")}')
    except Exception:
        break
client.close()

7. 进程池,线程池

  • 定义：进程池线程池就是：控制开启线程或者进程的数量

    线程池: 一个容器,这个容器限制住开启线程的数量,比如4个,第一次肯定只能并发的处理4个任务,只要有任务完成,线程马上就会接下一个任务.

  • 代码示例

    from concurrent.futures import ProcessPoolExecutor, ThreadPoolExecutor
import os
import time
import random

def task(n):
    print(f'{os.getpid()} 接客')
    time.sleep(random.randint(1,3))

if __name__ == '__main__':
    # 开启进程池 
    p = ProcessPoolExecutor()  # 默认不写,进程池里面的进程数与cpu个数相等
    for i in range(20):
        p.submit(task,i)
    
    # 开启线程池
    t = ThreadPoolExecutor(100)  # 100个线程，不写默认是cpu个数*5 线程数
    for i in range(20):
        t.submit(task,i)

总结：

  • 信号量与进程池、线程池的区别

    1.使用Seamphore，你创建了多少线程，实际就会有多少线程进行执行，只是可同时执行的线程数量会受到限制。但使用线程池，你创建的线程只是作为任务提交给线程池执行，实际工作的线程由线程池创建，并且实际工作的线程数量由线程池自己管理。

    2.简单来说，线程池实际工作的线程是work线程，不是你自己创建的，是由线程池创建的，并由线程池自动控制实际并发的work线程数量。而Seamphore相当于一个信号灯，作用是对线程做限流，Seamphore可以对你自己创建的的线程做限流（也可以对线程池的work线程做限流），Seamphore的限流必须通过手动acquire和release来实现。

【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/liubing8/p/11403493.html