一、数据共享
from multiprocessing import Manager
把所有实现了数据共享的比较便捷的类都重新又封装了一遍，并且在原有的multiprocessing基础上增加了新的机制list、dict
机制：支持的数据类型非常有限
list、dict都不是数据安全的，需要自己加锁来保证数据安全
from multiprocessing import Manager,Process,Lockdef work(d,lock):with lock:d['count'] -= 1if __name__ == '__main__':lock = Lock()with Manager() as m: # m = Manager()dic = m.dict({'count':100})p_lst = []for i in range(10):p = Process(target=work, args=(dic, lock))p_lst.append(p)p.start()for p in p_lst:p.join()print(dic) #{'count': 90}
with ......一大段语句
dis模块
python的上下文管理
在执行一大段语句之前，自动做某个操作 open
在执行一大段语句之后，自动做某个操作 close面向对象的魔术方法（双下杠杠方法） # 回调函数 in Poolimport os from multiprocessing import Pooldef func(i):print('第一个任务', os.getpid())return '*'*idef call_back(res): #回调函数print('回调函数：', os.getpid())print('res--->', res)if __name__ == '__main__':p = Pool()print('主进程', os.getpid())p.apply_async(func, args=(1,), callback=call_back)p.close()p.join()
func执行完毕之后执行callback函数
func的返回值会作为callback的参数
回调函数是在主进程中实现的
应用场景：子进程有大量运算要做，回调函数等待结果做简单处理
import re from urllib.request import urlopen from multiprocessing import Poolurl_lst = ['http://www.baidu.com','http://www.sohu.com','http://www.sogou.com','http://www.4399.com','http://www.cnblogs.com', ]def get_url(url):response = urlopen(url)ret = re.search('www\.(.*?)\.com', url)print('%s finished' % ret.group(1))return ret.group(1),response.read()def call(content):url,con = contentwith open(url+'.html', 'wb')as f:f.write(con) if __name__ == '__main__':p = Pool()for url in url_lst:p.apply_async(get_url,args=(url,),callback=call)p.close()p.join()
二、线程理论基础
进程是计算机中最小的资源分配单位，进程对于操作系统来说还具有一定的负担
创建一个进程，操作系统分配的资源大约有：代码，数据，文件等
1、为什么要有线程
线程是轻量级的概念，他没有属于自己的进程资源，一条线程只负责执行代码，没有自己独立的代码、数据以及文件
线程是计算机中能被CPU调用的最小的单位，当前大部分计算机中的CPU都是执行的线程中的代码
线程与进程之间的关系：每一个进程中都至少有一条线程在工作
线程的特点：
同一个进程中的所有线程的资源是共享的
轻量级， 没有自己的资源
进程与线程之间的区别：
占用的资源、调度的效率、资源是否共享
线程的并行问题：
线程可以并行：java、c++，c#等
在cpython中，一个进程中的多个线程是不可以并行的
原因是：Cpython解释器内部有一把全局解释器锁GIL，所以线程不能充分利用多核，同一时刻同一进程中的线程只有一个能被cpu执行
GIL锁确实是限制了你程序的效率，但目前可以帮助你提高线程之间切换的效率
如果是想写高计算型的就要多进程或者换一个解释器
2、threading 模块
# 并发import os from threading import Threaddef func(i):print('子线程：', i, os.getpid())print('主线程', os.getpid()) for i in range(10):t = Thread(target=func, args=(i,))t.start()
# 进程和线程的差距import os import time from threading import Thread from multiprocessing import Processdef func(i):print('子：', os.getpid())if __name__ == '__main__':start = time.time()t_lst = []for i in range(100):t = Thread(target=func, args=(i,))t.start()t_lst.append(t)for t in t_lst:t.join()end = time.time()-startstart = time.time()t_lst = []for i in range(100):p = Process(target=func, args=(i,))p.start()t_lst.append(p)for p in t_lst:p.join()end2 = time.time()-startprint(end, end2) #0.0279843807220459 13.582834720611572
# 线程间的数据共享from threading import Threadnum = 100 def func():global numnum -= 1 #每个线程都-1 t_lst = [] for i in range(100):t = Thread(target=func) #创建一百个线程 t.start()t_lst.append(t) for t in t_lst:t.join() print(num) #0
Thread 类的其他用法
Thread实例对象的方法# isAlive(): 返回线程是否活动的。# getName(): 返回线程名。# setName(): 设置线程名。 threading模块提供的一些方法：# threading.currentThread(): 返回当前的线程变量。# threading.enumerate(): 返回一个包含正在运行的线程的list。正在运行指线程启动后、结束前，不包括启动前和终止后的线程。# threading.activeCount(): 返回正在运行的线程数量，与len(threading.enumerate())有相同的结果。
from threading import currentThread,Thread def func():time.sleep(2)t = Thread(target=func) t.start() print(t.is_alive()) #True（判断线程是否活着） print(t.getName()) #Tread-1 t.setName('tt') print(t.getName()) #tt（改名字）def func():print('子线程：', currentThread().ident)time.sleep(2) print('主线程：',currentThread().ident) t = Thread(target=func) t.start() #currentThread().ident返回线程的pidfrom threading import enumerate def func():print('子进程：', currentThread().ident)time.sleep(2)print('主进程：', currentThread().ident) for i in range(10):t = Thread(target=func)t.start() print(len(enumerate())) #enumerate()返回一个包含正在运行的线程的list，len(list)from threading import activeCount def func():print('子线程：', currentThread().ident)time.sleep(2)print('主线程：', currentThread().ident) for i in range(10):t = Thread(target=func)t.start() print(activeCount()) #activeCount()返回正在运行的线程数量，与len(threading.enumerate())有相同的结果
3、守护线程
import time from threading import Threaddef func():while True:time.sleep(1)print(123)def func2():print('func2 start')time.sleep(3)print('func2 end')t1 = Thread(target=func) t2 = Thread(target=func2) t1.setDaemon(True) t1.start() t2.start() print('主线程代码结束') # func2 start #主线程代码结束 #123 #123 #func2 end
守护线程 是在主线程代码结束之后，再等待子线程执行结束后才结束
主线程结束 就意味着主进程结束
主线程等待所有的线程结束
主线程结束了以后 守护线程会随着主进程的结束而随之结束 不是随着代码的结束而结束
#################################################################################
线程
线程和进程之间的关系
每个进程内都有一个线程
线程是不能独立存在的
线程和进程之间的区别
同一个进程中线程之间的数据是共享的
进程之间的数据是隔离的
线程是被cpu执行的最小单位
操作系统调度
进程是计算机中最小的资源分配单位
python
GIL锁 全局解释器锁 全局锁
cpython解释器中的
锁线程 ：同一时刻同一个进程只会有一个线程访问CPU
锁的是线程而不是数据
当程序是高IO型的 多线程
当程序是高计算(CPU)型的 多进程
cpu*1 ~ cpu*2
threading
Thread
守护线程 ：主线程结束之后才结束
socket_server IO多路复用 + 多线程
框架 并发的效果 ：多线程、协程的概念 flask
爬虫 ：线程池 协程
set、dict、list
生成器
面向对象的进阶 ：魔术方法
管道
socket_server的源码
![[TimLinux] Python 迭代器(iterator)和生成器(generator)](http://pic.xiahunao.cn/[TimLinux] Python 迭代器(iterator)和生成器(generator))
)
