一、死锁现象与递归锁
进程也是有死锁的
所谓死锁： 是指两个或两个以上的进程或线程在执行过程中，因争夺资源而造成的一种互相等待的现象，若无外力作用，
它们都将无法推进下去。此时称系统处于死锁状态或系统产生了死锁，这些永远在互相等待的进程称为死锁进程，
如下就是死锁
1 死锁-------------------
2 from threading import Thread,Lock,RLock
3 import time
4 mutexA = Lock()
5 mutexB = Lock()
6 class MyThread(Thread):
7 def run(self):
8 self.f1()
9 self.f2()
10 def f1(self):
11 mutexA.acquire()
12 print(\'\\033[33m%s 拿到A锁 \'%self.name)
13 mutexB.acquire()
14 print(\'\\033[45%s 拿到B锁 \'%self.name)
15 mutexB.release()
16 mutexA.release()
17 def f2(self):
18 mutexB.acquire()
19 print(\'\\033[33%s 拿到B锁 \' % self.name)
20 time.sleep(1) #睡一秒就是为了保证A锁已经被别人那到了
21 mutexA.acquire()
22 print(\'\\033[45m%s 拿到B锁 \' % self.name)
23 mutexA.release()
24 mutexB.release()
25 if __name__ == \'__main__\':
26 for i in range(10):
27 t = MyThread()
28 t.start() #一开启就会去调用run方法
那么怎么解决死锁现象呢？
解决方法，递归锁：在Python中为了支持在同一线程中多次请求同一资源，python提供了可重入锁RLock。
这个RLock内部维护着一个Lock和一个counter变量，counter记录了acquire的次数，从而使得资源可以被多次require。
直到一个线程所有的acquire都被release，其他的线程才能获得资源。上面的例子如果使用RLock代替Lock，则不会发生死锁
|
1
|
mutexA=mutexB=threading.RLock() #一个线程拿到锁，counter加1,该线程内又碰到加锁的情况，<br>则counter继续加1，这期间所有其他线程都只能等待，等待该线程释放所有锁，即counter递减到0为止 |
1 # 2.解决死锁的方法--------------递归锁
2 from threading import Thread,Lock,RLock
3 import time
4 mutexB = mutexA = RLock()
5 class MyThread(Thread):
6 def run(self):
7 self.f1()
8 self.f2()
9 def f1(self):
10 mutexA.acquire()
11 print(\'\\033[33m%s 拿到A锁 \'%self.name)
12 mutexB.acquire()
13 print(\'\\033[45%s 拿到B锁 \'%self.name)
14 mutexB.release()
15 mutexA.release()
16 def f2(self):
17 mutexB.acquire()
18 print(\'\\033[33%s 拿到B锁 \' % self.name)
19 time.sleep(1) #睡一秒就是为了保证A锁已经被别人拿到了
20 mutexA.acquire()
21 print(\'\\033[45m%s 拿到B锁 \' % self.name)
22 mutexA.release()
23 mutexB.release()
24 if __name__ == \'__main__\':
25 for i in range(10):
26 t = MyThread()
27 t.start() #一开启就会去调用run方法
二、信号量Semaphore（其实也是一把锁）
Semaphore管理一个内置的计数器
Semaphore与进程池看起来类似，但是是完全不同的概念。
进程池：Pool(4)，最大只能产生四个进程，而且从头到尾都只是这四个进程，不会产生新的。
信号量：信号量是产生的一堆进程/线程，即产生了多个任务都去抢那一把锁
1 from threading import Thread,Semaphore,currentThread
2 import time,random
3 sm = Semaphore(5) #运行的时候有5个人
4 def task():
5 sm.acquire()
6 print(\'\\033[42m %s上厕所\'%currentThread().getName())
7 time.sleep(random.randint(1,3))
8 print(\'\\033[31m %s上完厕所走了\'%currentThread().getName())
9 sm.release()
10 if __name__ == \'__main__\':
11 for i in range(20): #开了10个线程 ，这20人都要上厕所
12 t = Thread(target=task)
13 t.start()
1 hread-1上厕所
2 Thread-2上厕所
3 Thread-3上厕所
4 Thread-4上厕所
5 Thread-5上厕所
6 Thread-3上完厕所走了
7 Thread-6上厕所
8 Thread-1上完厕所走了
9 Thread-7上厕所
10 Thread-2上完厕所走了
11 Thread-8上厕所
12 Thread-6上完厕所走了
13 Thread-5上完厕所走了
14 Thread-4上完厕所走了
15 Thread-9上厕所
16 Thread-10上厕所
17 Thread-11上厕所
18 Thread-9上完厕所走了
19 Thread-12上厕所
20 Thread-7上完厕所走了
21 Thread-13上厕所
22 Thread-10上完厕所走了
23 Thread-8上完厕所走了
24 Thread-14上厕所
25 Thread-15上厕所
26 Thread-12上完厕所走了
27 Thread-11上完厕所走了
28 Thread-16上厕所
29 Thread-17上厕所
30 Thread-14上完厕所走了
31 Thread-15上完厕所走了
32 Thread-17上完厕所走了
33 Thread-18上厕所
34 Thread-19上厕所
35 Thread-20上厕所
36 Thread-13上完厕所走了
37 Thread-20上完厕所走了
38 Thread-16上完厕所走了
39 Thread-18上完厕所走了
40 Thread-19上完厕所走了
三、Event
线程的一个关键特性是每个线程都是独立运行且状态不可预测。如果程序中的其 他线程需要通过判断某个线程的状态来确定自己下一步的操作,这时线程同步问题就会变得非常棘手。为了解决这些问题,我们需要使用threading库中的Event对象。 对象包含一个可由线程设置的信号标志,它允许线程等待某些事件的发生。在 初始情况下,Event对象中的信号标志被设置为假。如果有线程等待一个Event对象, 而这个Event对象的标志为假,那么这个线程将会被一直阻塞直至该标志为真。一个线程如果将一个Event对象的信号标志设置为真,它将唤醒所有等待这个Event对象的线程。如果一个线程等待一个已经被设置为真的Event对象,那么它将忽略这个事件, 继续执行
|
1
2
3
4
5
|
from threading import EventEvent.isSet() #返回event的状态值Event.wait() #如果 event.isSet()==False将阻塞线程；Event.set() #设置event的状态值为True，所有阻塞池的线程激活进入就绪状态， 等待操作系统调度；Event.clear() #恢复 |
例如1.，有多个工作线程尝试链接MySQL，我们想要在链接前确保MySQL服务正常才让那些工作线程去连接MySQL服务器，如果连接不成功，都会去尝试重新连接。那么我们就可以采用threading.Event机制来协调各个工作线程的连接操作
1 #首先定义两个函数，一个是连接数据库
2 # 一个是检测数据库
3 from threading import Thread,Event,currentThread
4 import time
5 e = Event()
6 def conn_mysql():
7 \'\'\'链接数据库\'\'\'
8 count = 1
9 while not e.is_set(): #当没有检测到时候
10 if count >3: #如果尝试次数大于3，就主动抛异常
11 raise ConnectionError(\'尝试链接的次数过多\')
12 print(\'\\033[45m%s 第%s次尝试\'%(currentThread(),count))
13 e.wait(timeout=1) #等待检测（里面的参数是超时1秒）
14 count+=1
15 print(\'\\033[44m%s 开始链接...\'%(currentThread().getName()))
16 def check_mysql():
17 \'\'\'检测数据库\'\'\'
18 print(\'\\033[42m%s 检测mysql...\' % (currentThread().getName()))
19 time.sleep(5)
20 e.set()
21 if __name__ == \'__main__\':
22 for i in range(3): #三个去链接
23 t = Thread(target=conn_mysql)
24 t.start()
25 t = Thread(target=check_mysql)
26 t.start()
2.例如2，红绿灯的例子
1 from threading import Thread,Event,currentThread
2 import time
3 e = Event()
4 def traffic_lights():
5 \'\'\'红绿灯\'\'\'
6 time.sleep(5)
7 e.set()
8 def car():
9 \'\'\'车\'\'\'
10 print(\'\\033[42m %s 等绿灯\\033[0m\'%currentThread().getName())
11 e.wait()
12 print(\'\\033[44m %s 车开始通行\' % currentThread().getName())
13 if __name__ == \'__main__\':
14 for i in range(10):
15 t = Thread(target=car) #10辆车
16 t.start()
17 traffic_thread = Thread(target=traffic_lights) #一个红绿灯
18 traffic_thread.start()
四、定时器（Timer）
指定n秒后执行某操作
from threading import Timer
def func(n):
print(\'hello,world\',n)
t = Timer(3,func,args=(123,)) #等待三秒后执行func函数，因为func函数有参数，那就再传一个参数进去
t.start()
五、线程queue
queue队列 ：使用import queue，用法与进程Queue一样
queue.Queue(maxsize=0) #先进先出
1 # 1.队列-----------
2 import queue
3 q = queue.Queue(3) #先进先出
4 q.put(\'first\')
5 q.put(\'second\')
6 q.put(\'third\')
7 print(q.get())
8 print(q.get())
9 print(q.get())
queue.LifoQueue(maxsize=0)#先进后出
1 # 2.堆栈----------
2 q = queue.LifoQueue() #先进后出（或者后进先出）
3 q.put(\'first\')
4 q.put(\'second\')
5 q.put(\'third\')
6 q.put(\'for\')
7 print(q.get())
8 print(q.get())
9 print(q.get())
queue.PriorityQueue(maxsize=0) #存储数据时可设置优先级的队列
1 # ----------------
2 \'\'\'3.put进入一个元组，元组的第一个元素是优先级
3 （通常也可以是数字，或者也可以是非数字之间的比较）
4 数字越小，优先级越高\'\'\'
5 q = queue.PriorityQueue()
6 q.put((20,\'a\'))
7 q.put((10,\'b\')) #先出来的是b,数字越小优先级越高嘛
8 q.put((30,\'c\'))
9 print(q.get())
10 print(q.get())
11 print(q.get())
六、多线程性能测试
1.多核也就是多个CPU
（1）cpu越多，提高的是计算的性能
（2）如果程序是IO操作的时候（多核和单核是一样的），再多的cpu也没有意义。
2.实现并发
第一种：一个进程下，开多个线程
第二种：开多个进程
3.多进程：
优点：可以利用多核
缺点：开销大
4.多线程
优点：开销小
缺点：不可以利用多核
5多进程和多进程的应用场景
1.计算密集型：也就是计算多，IO少
如果是计算密集型，就用多进程（如金融分析等）
2.IO密集型：也就是IO多，计算少
如果是IO密集型的，就用多线程（一般遇到的都是IO密集型的）
下例子练习：
1 # 计算密集型的要开启多进程
2 from multiprocessing import Process
3 from threading import Thread
4 import time
5 def work():
6 res = 0
7 for i in range(10000000):
8 res+=i
9 if __name__ == \'__main__\':
10 l = []
11 start = time.time()
12 for i in range(4):
13 p = Process(target=work) #1.9371106624603271 #可以利用多核（也就是多个cpu）
14 # p = Thread(target=work) #3.0401737689971924
15 l.append(p)
16 p.start()
17 for p in l:
18 p.join()
19 stop = time.time()
20 print(\'%s\'%(stop-start))
1 # I/O密集型要开启多线程
2 from multiprocessing import Process
3 from threading import Thread
4 import time
5 def work():
6 time.sleep(3)
7 if __name__ == \'__main__\':
8 l = []
9 start = time.time()
10 for i in range(400):
11 # p = Process(target=work) #34.9549994468689 #因为开了好多进程，它的开销大，花费的时间也就长了
12 p = Thread(target=work) #2.2151265144348145 #当开了多个线程的时候，它的开销小，花费的时间也小了
13 l.append(p)
14 p.start()
15 for i in l :
16 i.join()
17 stop = time.time()
18 print(\'%s\'%(stop-start))
七、python标准模块----concurrent.futures