Day10-3【Python 进程和线程】Python多线程编程：锁住你的心，也锁住你的数据

说到多线程，你的脑海是不是马上浮现出一群线程在CPU上快速跳跃，像小马奔腾一样，处理多个任务？嗯，虽然它们在奔腾，但你得小心，它们的“马路”上有时候会发生一些“车祸”！特别是在Python中，掌控线程可不是简单的事情。

 

 

一、线程

1. 线程的基本概念——多线程：这不是开玩笑

多任务处理（Multi-tasking）到底是怎么回事呢？它可以通过多个进程来实现，也可以通过一个进程内的多个线程来完成。你可能会觉得，多进程比较牛，但实际上，多线程在现代编程中才是扛把子，尤其在资源共享和高效任务处理上。

在Python中，线程不是你想象中的“伪线程”，而是真正的POSIX线程。这是什么意思？简单来说，Python线程是由操作系统直接支持的执行单位，它不是“模拟出来的”，而是真实的“多任务大军”。

2. Python的线程模块——_thread VS threading

Python有两个模块可以用来玩转多线程——_thread和threading。其中，_thread是底层的，稍微有些“野性”，而threading则是高级模块，提供了更多的封装和便利。大多数情况下，你只需要使用threading模块，它的简洁与稳定让它成为了大家的最爱。

3. 启动一个线程——来，开个线程试试！

创建并启动一个线程其实比你想象的要简单。下面是一个简单的例子，展示了如何用threading模块启动一个线程：

pythonimport time, threading
def loop():    print('thread %s is running...' % threading.current_thread().name)    n = 0    while n < 5:        n += 1        print(f'thread {threading.current_thread().name} >>> {n}')        time.sleep(1)    print('thread %s ended.' % threading.current_thread().name)
# 主线程开始print('thread %s is running...' % threading.current_thread().name)t = threading.Thread(target=loop, name='LoopThread')t.start()t.join()  # 等待线程t结束print('thread %s ended.' % threading.current_thread().name)

 

输出结果：

arduinothread MainThread is running...thread LoopThread is running...thread LoopThread >>> 1thread LoopThread >>> 2thread LoopThread >>> 3thread LoopThread >>> 4thread LoopThread >>> 5thread LoopThread ended.thread MainThread ended.

 

二、 线程共享资源——当多个线程争抢一个“蛋糕”

然而，真正的麻烦来了：共享资源。在多线程中，所有线程共享相同的内存空间，这就意味着，多个线程同时修改同一变量时，可能会发生数据混乱。让我们用一个“银行存款”的例子来演示：​​​​​​​

pythonimport time, threading

# 假定这是你的银行存款:​​​​​​​

balance = 0
def change_it(n):    global balance    balance = balance + n    balance = balance - n
def run_thread(n):    for i in range(10000000):        change_it(n)
t1 = threading.Thread(target=run_thread, args=(5,))t2 = threading.Thread(target=run_thread, args=(8,))t1.start()t2.start()t1.join()t2.join()print(balance)

问题出现了：我们定义了一个共享变量balance，并启动了两个线程，理论上balance应该始终为0。但由于线程执行的时机问题，最终的结果可能会是负数。

为什么会发生这种情况？

简单地说，balance = balance + n这段代码看似简单，但它在CPU执行时需要两步：计算并存储临时变量，然后再赋值。多个线程同时操作时，它们的“存取”顺序可能会乱套，最终导致存款余额计算出错！

1. 解决办法——锁（Lock）

既然多线程容易出错，那我们该怎么办呢？上锁！给共享资源加把锁，确保同一时刻只有一个线程可以访问它，其他线程就得乖乖地等着。这样，我们就能避免数据混乱的问题了。​​​

pythonbalance = 0lock = threading.Lock()
def run_thread(n):    for i in range(100000):        lock.acquire()  # 获取锁        try:            change_it(n)        finally:            lock.release()  # 释放锁

 

注意：上锁的好处是保证了数据安全，但代价也是显而易见的。锁住的部分代码无法并发执行，效率降低。如果多个线程频繁获取和释放锁，可能会导致性能瓶颈。

2. 死锁——锁住你的线程，直到死

锁虽然能解决共享数据的问题，但也容易带来一个隐患——死锁。死锁发生在两个或多个线程互相持有对方需要的锁时，导致它们都在等待对方释放锁，最终无法执行下去。

例如，线程A持有锁1，等待锁2；线程B持有锁2，等待锁1。如果线程A和线程B都没有释放各自的锁，就会导致死锁。

3. GIL——Python的“锁”问题

有些时候，你可能会想到：“如果我的机器有多个CPU核心，难道就不能同时运行多个线程了吗？”答案是，不行，至少在Python中是这样的。Python的全局解释器锁（GIL）使得同一时刻只有一个线程能执行Python字节码。即使你有多核CPU，也只能有一个线程在执行，其他线程只能排队等候。

这意味着，Python的多线程并不能充分利用多核CPU，除非你采用多进程或者其他并发模型，比如使用C扩展来绕过GIL。

* 小结：Python的多线程，是一个“美丽的梦”

多线程编程虽然能带来并发的优势，但也伴随着锁、死锁等问题。如果你想在Python中充分利用多核CPU，多线程可能不太靠谱，多进程才是王道。

总之，Python的多线程是一个充满挑战和乐趣的领域。如果你小心驾驶，确保使用锁来保证数据安全，那你就能驾驭这匹“多线程战马”。