day36 GIL锁与线程池

多进程与多线程效率对比

#
# """
#
#     计算密集型
# """
# from threading import  Thread
# from multiprocessing import  Process
# import time
#
# a = 1
# def task():
#     global a
#     for i in range(10000000):
#         a +=1
#         a * 10 / 2 - 3
#
# s = time.time()
# #多线程
# # t1 = Thread(target=task)
# # t2 = Thread(target=task)
# # t3 = Thread(target=task)
#
# if __name__ == '__main__':
#
#     # 多进程
#     t1 = Process(target=task)
#     t2 = Process(target=task)
#     t3 = Process(target=task)
#     t1.start()
#     t2.start()
#     t3.start()
#
#     t1.join()
#     t2.join()
#     t3.join()
#
#     print(time.time() - s)
#
"""
    IO型任务
"""
from threading import  Thread
from multiprocessing import  Process
import time
def task():
    # for i in range(10):
    with open(r"D:\脱产5期内容\day34\视频\1.线程理论.mp4",mode="rb")as f:
        while True:
            data = f.read(1024)
            if not data:
                break
s = time.time()
if __name__ == '__main__':
    # 多线程
    t1 = Thread(target=task)
    t2 = Thread(target=task)
    t3 = Thread(target=task)
    # 多进程
    # t1 = Process(target=task)
    # t2 = Process(target=task)
    # t3 = Process(target=task)
    t1.start()
    t2.start()
    t3.start()
    t1.join()
    t2.join()
    t3.join()
    print(time.time() - s)

GIL锁

什么是GIL
    全局解释器锁,是加在解释器上的互斥锁
    只存在于cpython解释器中
    python的内存回收管理机制,简称GC

GIL的加锁与解锁时机

加锁的时机:在调用解释器时立即加锁
解锁时机:
    当前进程遇到IO或超时
为什么需要GIL
    由于cpython的内存管理是非线程安全的,于是cpython就给解释器加了个锁,解决了安全问题,但是降低了效率,虽然有解决方  案,但是由于牵涉太多,一旦被修改,很多以前的基于GIL的程序都需要修改,所以变成了历史遗留问题
GIL带来的问题
    即使在多核处理器情况下,也无法真正的并行
    先有多线程模块,有这个问题,所以后来有了多进程模块弥补这个问题
总结:
    1.在单核情况下,无论是IO密集型还是计算密集,HIL都不会产生影响
    2.如果是多核下,IO密集型会受到GIl的影响,但是很明显IO速度比计算速度慢
    3.IO密集型多线程, 因为多线程开销小,节省资源,对于计算密集型,应该使用多进程,因为在cpytho中多线程是无法并行的

GIL与线程锁的区别

from threading import  Thread,Lock
import time
lock = Lock()
a = 0
def task():
    global a
    lock.acquire()
    temp = a
    time.sleep(0.01)
    a = temp + 1
    lock.release()
ts = []
for i in range(10):
    t1 = Thread(target=task)
    t1.start()
    ts.append(t1)
for i in ts:
    i.join()
print(a)
GIL使用用于保护解释器相关的数据,解释器也是一段程序,肯定有其定义各种数据
GIL并不能保证自己定义的数据的安全,所有一旦
多核cpu中,进程可以并行,线程不能并行

多线程TCP

客户端
from threading import Thread
import socket
c = socket.socket()
c.connect(("127.0.0.1",8989))
def send_msg():
    while True:
        msg = input(">>>:")
        if not msg:
            continue
        c.send(msg.encode("utf-8"))
send_t = Thread(target=send_msg)
send_t.start()
while True:
    try:
        data = c.recv(1024)
        print(data.decode("utf-8"))
    except:
        c.close()
        break
服务器端
from concurrent.futures import ThreadPoolExecutor
from threading import  Thread
import socket
server = socket.socket()
server.bind(("127.0.0.1",8989))
server.listen()
pool = ThreadPoolExecutor(3)
def task(client):
    while True:
        try:
            data = client.recv(1024)
            if not data:
                client.close()
                break
            client.send(data.upper())
        except Exception:
            client.close()
            break
while True:
    client,addr = server.accept()
    # t = Thread(target=task,args=(client,))
    # t.start()
    pool.submit(task,client)

线程池与进程池

池为容器,本质上就是一个存储进程或线程的列表
from concurrent.futures import ProcessPoolExecutor,ThreadPoolExecutor
from  threading import active_count,current_thread
import os,time
# 创建线程池 指定最大线程数为3  如果不指定 默认为CPU核心数 * 5
# pool = ThreadPoolExecutor(3)# 不会立即开启子线程
#
# print(active_count())
#
# def task():
#     print("%s running.." % current_thread().name)
#     time.sleep(1)
#
# #提交任务到线程池
# for i in range(10):
#     pool.submit(task)
#
# 创建进程池 最大进程数为3 默认为cpu个数
pool = ProcessPoolExecutor(3)# 不会立即开启子进程
# time.sleep(10)
def task():
    print("%s running.." % os.getpid())
    time.sleep(1)
if __name__ == '__main__':
    # #提交任务到进程池
    for i in range(10):
        pool.submit(task) # 第一次提交任务时会创建进程  ,后续再提交任务,直接交给以及存在的进程来完成,如果没有空闲进程就等待
# 与信号量的区别 ,信号量也是一种锁 适用于保证同一时间能有多少个进程或线程访问
# 而线程/进程池,没有对数据访问进行限制仅仅是控制数量

同步与异步

"""
阻塞 非阻塞
程序遇到了IO操作,无法继续执行代码,叫做阻塞
程序没有遇到IO操作,正常执行中,就叫非阻塞
它们指的是程序的状态
    就绪  运行  阻塞
就绪和阻塞给人的感觉就是卡主了
同步 异步
同步(调用/执行/任务/提交),发起任务后必须等待任务结束,拿到一个结果才能继续运行
异步                     发起任务后不需要关系任务的执行过程,可以继续往下运行
异步效率高于同步
但是并不是所有任务都可以异步执行,判断一个任务是否可以异步的条件是,任务发起方是否立即需要执行结果
同步不等于阻塞  异步不等于非阻塞
当使用异步方式发起任务时 任务中可能包含io操作  异步也可能阻塞
同步提交任务 也会卡主程序 但是不等同阻塞,因为任务中可能在做一对计算任务,CPU没走
"""
# 使用线程池 来执行异步任务
from concurrent.futures import ThreadPoolExecutor
import time
pool = ThreadPoolExecutor()
def task(i):
    time.sleep(1)
    print("sub thread run..")
    i += 100
    return i
fs = []
for i in range(10):
    f = pool.submit(task,i) # submit就是一异步的方式提交任务
    # print(f)
    # print(f.result()) # result是阻塞的 会等到这任务执行完成才继续执行 ,会异步变成同步
    fs.append(f)
# 是一个阻塞函数,会等到池子中所有任务完成后继续执行
pool.shutdown(wait=True)
# pool.submit(task,1) # 注意 在shutdown之后 就不能提交新任务了
for i in fs:
    print(i.result())
print("over")

使用线程池 来发起异步任务

阻塞函数
pool.shutdown()
同步不是阻塞,异步也不完全是非阻塞,也有可能阻塞