python中的多線程是一個非常重要的知識點，今天爲大家對多線程進行詳細的說明，代碼中的註釋有多線程的知識點還有測試用的實例。
import threading
from threading import Lock,Thread
import time,os
'''
python多線程詳解
什麼是線程?
線程也叫輕量級進程，是操作系統能夠進行運算調度的最小單位，它被包涵在進程之中，是進程中的實際運作單位。
線程自己不擁有系統資源，只擁有一點兒在運行中必不可少的資源，但它可與同屬一個進程的其他線程共享進程所
擁有的全部資源。一個線程可以創建和撤銷另一個線程，同一個進程中的多個線程之間可以併發執行
'''
'''
爲什麼要使用多線程?
線程在程序中是獨立的、併發的執行流。與分隔的進程相比，進程中線程之間的隔離程度要小，它們共享內存、文件句柄
和其他進程應有的狀態。
因爲線程的劃分尺度小於進程，使得多線程程序的併發性高。進程在執行過程之中擁有獨立的內存單元，而多個線程共享
內存，從而極大的提升了程序的運行效率。
線程比進程具有更高的性能，這是由於同一個進程中的線程都有共性，多個線程共享一個進程的虛擬空間。線程的共享環境
包括進程代碼段、進程的共有數據等，利用這些共享的數據，線程之間很容易實現通信。
操作系統在創建進程時，必須爲改進程分配獨立的內存空間，並分配大量的相關資源，但創建線程則簡單得多。因此，使用多線程
來實現併發比使用多進程的性能高得要多。
'''
'''
總結起來，使用多線程編程具有如下幾個優點：
進程之間不能共享內存，但線程之間共享內存非常容易。
操作系統在創建進程時，需要爲該進程重新分配系統資源，但創建線程的代價則小得多。因此使用多線程來實現多任務併發執行比使用多進程的效率高
python語言內置了多線程功能支持，而不是單純地作爲底層操作系統的調度方式，從而簡化了python的多線程編程。
'''
'''
普通創建方式
'''
# def run(n):
# print('task',n)
# time.sleep(1)
# print('2s')
# time.sleep(1)
# print('1s')
# time.sleep(1)
# print('0s')
# time.sleep(1)
#
# if __name__ == '__main__':
# t1 = threading.Thread(target=run,args=('t1',)) # target是要執行的函數名(不是函數)，args是函數對應的參數，以元組的形式存在
# t2 = threading.Thread(target=run,args=('t2',))
# t1.start()
# t2.start()
'''
自定義線程：繼承threading.Thread來定義線程類，其本質是重構Thread類中的run方法
'''
# class MyThread(threading.Thread):
# def __init__(self,n):
# super(MyThread,self).__init__() #重構run函數必須寫
# self.n = n
#
# def run(self):
# print('task',self.n)
# time.sleep(1)
# print('2s')
# time.sleep(1)
# print('1s')
# time.sleep(1)
# print('0s')
# time.sleep(1)
#
# if __name__ == '__main__':
# t1 = MyThread('t1')
# t2 = MyThread('t2')
# t1.start()
# t2.start()
'''
守護線程
下面這個例子，這裏使用setDaemon(True)把所有的子線程都變成了主線程的守護線程，
因此當主線程結束後，子線程也會隨之結束，所以當主線程結束後，整個程序就退出了。
所謂’線程守護’，就是主線程不管該線程的執行情況，只要是其他子線程結束且主線程執行完畢，主線程都會關閉。也就是說:主線程不等待該守護線程的執行完再去關閉。
'''
# def run(n):
# print('task',n)
# time.sleep(1)
# print('3s')
# time.sleep(1)
# print('2s')
# time.sleep(1)
# print('1s')
#
# if __name__ == '__main__':
# t=threading.Thread(target=run,args=('t1',))
# t.setDaemon(True)
# t.start()
# print('end')
'''
通過執行結果可以看出，設置守護線程之後，當主線程結束時，子線程也將立即結束，不再執行
'''
'''
主線程等待子線程結束
爲了讓守護線程執行結束之後，主線程再結束，我們可以使用join方法，讓主線程等待子線程執行
'''
# def run(n):
# print('task',n)
# time.sleep(2)
# print('5s')
# time.sleep(2)
# print('3s')
# time.sleep(2)
# print('1s')
# if __name__ == '__main__':
# t=threading.Thread(target=run,args=('t1',))
# t.setDaemon(True) #把子線程設置爲守護線程，必須在start()之前設置
# t.start()
# t.join() #設置主線程等待子線程結束
# print('end')
'''
多線程共享全局變量
線程時進程的執行單元，進程時系統分配資源的最小執行單位，所以在同一個進程中的多線程是共享資源的
'''
# g_num = 100
# def work1():
# global g_num
# for i in range(3):
# g_num+=1
# print('in work1 g_num is : %d' % g_num)
#
# def work2():
# global g_num
# print('in work2 g_num is : %d' % g_num)
#
# if __name__ == '__main__':
# t1 = threading.Thread(target=work1)
# t1.start()
# time.sleep(1)
# t2=threading.Thread(target=work2)
# t2.start()
'''
由於線程之間是進行隨機調度，並且每個線程可能只執行n條執行之後，當多個線程同時修改同一條數據時可能會出現髒數據，
所以出現了線程鎖，即同一時刻允許一個線程執行操作。線程鎖用於鎖定資源，可以定義多個鎖，像下面的代碼，當需要獨佔
某一個資源時，任何一個鎖都可以鎖定這個資源，就好比你用不同的鎖都可以把這個相同的門鎖住一樣。
由於線程之間是進行隨機調度的，如果有多個線程同時操作一個對象，如果沒有很好地保護該對象，會造成程序結果的不可預期，
我們因此也稱爲“線程不安全”。
爲了防止上面情況的發生，就出現了互斥鎖(Lock)
'''
# def work():
# global n
# lock.acquire()
# temp = n
# time.sleep(0.1)
# n = temp-1
# lock.release()
#
#
# if __name__ == '__main__':
# lock = Lock()
# n = 100
# l = []
# for i in range(100):
# p = Thread(target=work)
# l.append(p)
# p.start()
# for p in l:
# p.join()
'''
遞歸鎖：RLcok類的用法和Lock類一模一樣，但它支持嵌套，在多個鎖沒有釋放的時候一般會使用RLock類
'''
# def func(lock):
# global gl_num
# lock.acquire()
# gl_num += 1
# time.sleep(1)
# print(gl_num)
# lock.release()
#
#
# if __name__ == '__main__':
# gl_num = 0
# lock = threading.RLock()
# for i in range(10):
# t = threading.Thread(target=func,args=(lock,))
# t.start()
'''
信號量(BoundedSemaphore類)
互斥鎖同時只允許一個線程更改數據，而Semaphore是同時允許一定數量的線程更改數據，比如廁所有3個坑，
那最多隻允許3個人上廁所，後面的人只能等裏面有人出來了才能再進去
'''
# def run(n,semaphore):
# semaphore.acquire() #加鎖
# time.sleep(3)
# print('run the thread:%s\n' % n)
# semaphore.release() #釋放
#
#
# if __name__== '__main__':
# num=0鄭州人流醫院哪家好 http://www.zzzy120.com/
# semaphore = threading.BoundedSemaphore(5) #最多允許5個線程同時運行
# for i in range(22):
# t = threading.Thread(target=run,args=('t-%s' % i,semaphore))
# t.start()
# while threading.active_count() !=1:
# pass
# else:
# print('----------all threads done-----------')
'''
python線程的事件用於主線程控制其他線程的執行，事件是一個簡單的線程同步對象，其主要提供以下的幾個方法：
clear將flag設置爲 False
set將flag設置爲 True
is_set判斷是否設置了flag
wait會一直監聽flag，如果沒有檢測到flag就一直處於阻塞狀態
事件處理的機制：全局定義了一個Flag，當Flag的值爲False，那麼event.wait()就會阻塞，當flag值爲True，
那麼event.wait()便不再阻塞
'''
event = threading.Event()
def lighter():
count = 0
event.set() #初始者爲綠燈
while True:
if 5 < count <=10:
event.clear() #紅色燈，清除標誌位
print("\33[41;lmred light is on...\033[0m]")
elif count > 10:
event.set() #綠燈，設置標誌位
count = 0
else:
print('\33[42;lmgreen light is on...\033[0m')
time.sleep(1)
count += 1
def car(name):
while True:
if event.is_set(): #判斷是否設置了標誌位
print('[%s] running.....'%name)
time.sleep(1)
else:
print('[%s] sees red light,waiting...'%name)
event.wait()
print('[%s] green light is on,start going...'%name)
# startTime = time.time()
light = threading.Thread(target=lighter,)
light.start()
car = threading.Thread(target=car,args=('MINT',))
car.start()
endTime = time.time()
# print('用時：',endTime-startTime)
'''
GIL 全局解釋器
在非python環境中，單核情況下，同時只能有一個任務執行。多核時可以支持多個線程同時執行。但是在python中，無論有多少個核
同時只能執行一個線程。究其原因，這就是由於GIL的存在導致的。
GIL的全程是全局解釋器，來源是python設計之初的考慮，爲了數據安全所做的決定。某個線程想要執行，必須先拿到GIL，我們可以
把GIL看做是“通行證”，並且在一個python進程之中，GIL只有一個。拿不到線程的通行證，並且在一個python進程中，GIL只有一個，
拿不到通行證的線程，就不允許進入CPU執行。GIL只在cpython中才有，因爲cpython調用的是c語言的原生線程，所以他不能直接操
作cpu，而只能利用GIL保證同一時間只能有一個線程拿到數據。而在pypy和jpython中是沒有GIL的
python在使用多線程的時候，調用的是c語言的原生過程。
'''
'''
python針對不同類型的代碼執行效率也是不同的
1、CPU密集型代碼(各種循環處理、計算等)，在這種情況下，由於計算工作多，ticks技術很快就會達到閥值，然後出發GIL的
釋放與再競爭(多個線程來回切換當然是需要消耗資源的)，所以python下的多線程對CPU密集型代碼並不友好。
2、IO密集型代碼(文件處理、網絡爬蟲等設計文件讀寫操作)，多線程能夠有效提升效率(單線程下有IO操作會進行IO等待，
造成不必要的時間浪費，而開啓多線程能在線程A等待時，自動切換到線程B，可以不浪費CPU的資源，從而能提升程序的執行
效率)。所以python的多線程對IO密集型代碼比較友好。
'''
'''
主要要看任務的類型，我們把任務分爲I/O密集型和計算密集型，而多線程在切換中又分爲I/O切換和時間切換。如果任務屬於是I/O密集型，
若不採用多線程，我們在進行I/O操作時，勢必要等待前面一個I/O任務完成後面的I/O任務才能進行，在這個等待的過程中，CPU處於等待
狀態，這時如果採用多線程的話，剛好可以切換到進行另一個I/O任務。這樣就剛好可以充分利用CPU避免CPU處於閒置狀態，提高效率。但是
如果多線程任務都是計算型，CPU會一直在進行工作，直到一定的時間後採取多線程時間切換的方式進行切換線程，此時CPU一直處於工作狀態，
此種情況下並不能提高性能，相反在切換多線程任務時，可能還會造成時間和資源的浪費，導致效能下降。這就是造成上面兩種多線程結果不能的解釋。
結論:I/O密集型任務，建議採取多線程，還可以採用多進程+協程的方式(例如:爬蟲多采用多線程處理爬取的數據);對於計算密集型任務，python此時就不適用了。
'''