1、Python中并发执行实现方法

1.1 Python中并发执行实现

在Python中，有几种主要的并发执行实现方法，包括多线程、多进程和异步编程。

1.1.1 多线程（Threading）

Python标准库中的threading模块支持多线程编程。然而，由于Python的全局解释器锁（GIL），Python的多线程在CPU密集型任务上并不能实现真正的并行执行。但在I/O密集型任务（如网络请求、文件读写等）上，多线程仍然可以显著提升性能。

import threading

def worker():

print("This is a thread running the worker function.")

# 创建线程对象

threads = []

for _ in range(5):

t = threading.Thread(target=worker)

threads.append(t)

t.start()

# 等待所有线程完成

for t in threads:

t.join()

1.1.2 多进程（Multiprocessing）

Python的multiprocessing模块支持多进程编程，可以充分利用多核CPU的资源。每个进程都有自己独立的Python解释器，因此不受GIL的限制。多进程适用于CPU密集型任务。

import multiprocessing

def worker():

print("This is a process running the worker function.")

if __name__ == "__main__":

processes = []

for _ in range(5):

p = multiprocessing.Process(target=worker)

processes.append(p)

p.start()

# 等待所有进程完成

for p in processes:

p.join()

1.1.3 异步编程（Asyncio）

Python 3.5引入了asyncio模块，支持异步编程。异步编程可以在单线程内实现非阻塞的I/O操作，提高程序的响应速度和吞吐量。它特别适用于处理大量的并发I/O操作，如网络请求。

import asyncio

async def worker():

print("This is an async task running the worker function.")

# 创建事件循环

loop = asyncio.get_event_loop()

tasks = []

for _ in range(5):

task = loop.create_task(worker())

tasks.append(task)

# 执行所有任务

loop.run_until_complete(asyncio.wait(tasks))

loop.close()

注意：异步编程与多线程和多进程编程有所不同，它更多的是一种编程模型，而不是简单地创建多个执行单元。异步编程需要理解并适应其特有的编程模式和概念，如协程、事件循环等。

1.2 Python中多进程和多线程的区别

在Python中，multiprocessing和threading模块都用于实现并发执行，但它们在底层机制、使用场景和性能特点上有显著的区别。

1.2.1 Multiprocessing多进程

Multiprocessing模块允许创建多个进程来执行Python代码。每个进程都有自己独立的内存空间和解释器实例，因此它们之间不共享全局变量（除非通过特定的机制，如multiprocessing.Manager或multiprocessing.Value、multiprocessing.Array等）。这使得multiprocessing非常适合于计算密集型任务，因为它可以充分利用多核CPU并行处理任务。

由于每个进程都有自己独立的Python解释器，进程间通信（IPC）通常比线程间通信（通过共享内存）要慢得多，并且需要显式的IPC机制，如管道（Pipe）、队列（Queue）、共享内存（SharedMemory）等。

1.2.2 Threading多线程

Threading模块允许创建多个线程来执行Python代码。线程共享同一个进程的内存空间，因此它们可以直接访问全局变量和大多数Python对象。这使得线程间通信相对简单，因为它们可以直接读写共享的内存。

然而，由于Python的全局解释器锁（GIL）的存在，同一时间内只有一个线程可以执行Python代码。这意味着即使是多线程，CPU密集型任务的执行速度也可能不会显著提高。因此，threading模块在Python中通常更适用于IO密集型任务，如网络请求、文件读写等，这些任务通常可以在一个线程等待IO操作完成时让另一个线程继续执行。

1.2.3 多进程和多线程特性对比

资源共享：

多线程：在多线程中，所有线程共享同一个进程的地址空间，这意味着它们可以访问相同的变量和内存区域。因此，多线程间的数据共享和通信相对简单，但也容易引发数据同步和一致性的问题，如竞态条件。多进程：每个进程都有自己独立的地址空间，这意味着它们无法直接共享数据。进程间的通信需要通过特殊的机制来实现，如管道、消息队列、共享内存或套接字等。虽然进程间通信相对复杂，但它避免了多线程中的数据同步问题。 全局解释器锁（GIL）：

多线程：由于Python的全局解释器锁（GIL）的存在，Python的多线程在CPU密集型任务上并不能实现真正的并行执行。GIL确保任何时候只有一个线程在执行Python字节码。因此，对于计算密集型任务，多线程并不能带来性能提升。多进程：多进程不受GIL的限制，每个进程都有自己独立的Python解释器，因此可以充分利用多核CPU的资源，实现真正的并行执行。 性能开销：

多线程：线程创建和销毁的开销相对较小，因为线程共享进程的内存空间，无需复制数据。因此，对于需要频繁创建和销毁线程的应用，多线程可能是一个更好的选择。多进程：进程创建和销毁的开销相对较大，因为每个进程都需要独立的内存空间和系统资源。此外，进程间通信也需要额外的开销。因此，对于需要大量进程的应用，需要谨慎考虑性能问题。 稳定性：

多线程：由于线程共享数据，如果一个线程崩溃，可能会导致整个进程崩溃。多进程：每个进程都是独立的，一个进程的崩溃不会影响其他进程。因此，多进程在稳定性方面可能更有优势。 适用场景：

多线程：适用于I/O密集型任务，如网络请求、文件读写等。在这些场景下，线程大部分时间都在等待I/O操作完成，因此可以充分利用多线程的优势。多进程：适用于CPU密集型任务，如科学计算、图像处理等。在这些场景下，多进程可以充分利用多核CPU的资源，实现性能提升。

总之，选择使用多线程还是多进程取决于具体的任务类型和性能需求。在Python中，对于I/O密集型任务，可以使用多线程或异步编程；对于CPU密集型任务，多进程可能是一个更好的选择。

1.3 等待信号量实现并发控制

信号量是一个计数器，用于控制同时访问某个特定资源或资源池的线程数量。信号量有一个值，表示可用的许可数。当线程想要访问资源时，它必须先获取一个许可；如果许可数大于0，则获取成功并减1；否则，线程将阻塞等待。

import threading

sem = threading.Semaphore(3) # 允许三个线程同时访问资源

def worker():

sem.acquire() # 获取许可

try:

# 访问或修改共享资源

print("Thread is working with the shared resource.")

finally:

sem.release() # 释放许可

# 创建并启动线程...

1.3.1 基于等待信号量实现多进程并发

在Python中，基于等待信号量（Semaphore）实现多进程并发通常涉及到multiprocessing模块中的Semaphore类。信号量用于控制对共享资源的访问，允许一定数量的进程同时访问该资源。当信号量的值大于0时，进程可以获得一个信号量许可来访问资源；当信号量的值为0时，进程将阻塞，直到有其他进程释放一个许可。

下面是一个简单的例子，展示了如何使用multiprocessing.Semaphore来实现多进程并发访问共享资源：

import multiprocessing

import time

import random

# 设置信号量的初始值，这里允许3个进程同时访问共享资源

semaphore = multiprocessing.Semaphore(3)

def worker_process(process_id, semaphore):

# 尝试获取信号量许可

semaphore.acquire()

try:

print(f"Process {process_id} acquired semaphore and is working.")

# 模拟工作负载

time.sleep(random.random())

print(f"Process {process_id} finished working and releasing semaphore.")

finally:

# 无论是否发生异常，都要确保释放信号量许可

semaphore.release()

if __name__ == '__main__':

# 创建进程池

processes = []

for i in range(10): # 创建10个进程

p = multiprocessing.Process(target=worker_process, args=(i, semaphore))

processes.append(p)

p.start()

# 等待所有进程完成

for p in processes:

p.join()

print("All processes have finished.")

在这个例子中创建了10个进程，但是通过信号量限制了同时访问共享资源的进程数最多为3个。每个进程在工作前都会尝试获取信号量的许可，如果信号量的值大于0，则获取许可并开始工作；如果信号量的值为0，则进程会阻塞等待，直到有其他进程释放许可。每个进程完成工作后会释放其持有的信号量许可，这样其他等待的进程就可以获取许可并开始工作。

1.3.2 基于等待信号量实现多线程并发

在Python中，要实现基于等待信号量的多线程并发，可以使用threading模块中的Semaphore类。信号量用于控制对共享资源的并发访问。当信号量的值大于0时，线程可以获得一个信号量许可来访问资源；当信号量的值为0时，线程将阻塞，直到其他线程释放一个许可。

下面是一个简单的例子，展示了如何使用threading.Semaphore来实现多线程并发访问共享资源：

import threading

import time

import random

# 设置信号量的初始值，这里允许3个线程同时访问共享资源

semaphore = threading.Semaphore(3)

def worker_thread(thread_id, semaphore):

# 尝试获取信号量许可

semaphore.acquire()

try:

print(f"Thread {thread_id} acquired semaphore and is working.")

# 模拟工作负载

time.sleep(random.random())

print(f"Thread {thread_id} finished working and releasing semaphore.")

finally:

# 无论是否发生异常，都要确保释放信号量许可

semaphore.release()

if __name__ == '__main__':

# 创建线程列表

threads = []

for i in range(10): # 创建10个线程

t = threading.Thread(target=worker_thread, args=(i, semaphore))

threads.append(t)

t.start()

# 等待所有线程完成

for t in threads:

t.join()

print("All threads have finished.")

在这个例子中创建了10个线程，但是通过信号量限制了同时访问共享资源的线程数最多为3个。每个线程在工作前都会尝试获取信号量的许可，如果信号量的值大于0，则获取许可并开始工作；如果信号量的值为0，则线程会阻塞等待，直到有其他线程释放许可。每个线程完成工作后会释放其持有的信号量许可，这样其他等待的线程就可以获取许可并开始工作。