目录
结合多线程实现服务端并发（不用socketserver模块）
socketserver自带多线程
服务端代码
import socket
from threading import Thread
'''
服务端
1.固定的ip和端口
2.24小时不间断提供服务
3.支持并发
'''
server = socket.socket()
server.bind(('127.0.0.1', 8080))
server.listen(5)
def talk(conn):
while True:
# 模拟不停交互
try:
data = conn.recv(1024)
if len(data) == 0:
break
print(data.decode('utf-8'))
conn.send(b'Hi')
except ConnectionResetError as e:
print(e)
break
conn.close()
# 链接循环
while True:
conn, addr = server.accept()
print(addr)
t = Thread(target=talk, args=(conn, ))
t.start()
# 通信循环 # 提取这块代码，封装起来
# while True:
# try:
# data = conn.recv(1024)
# if len(data) == 0:
# break
# except ConnectionResetError as e:
# print(e)
# break
# conn.close()
客户端代码
import socket
client = socket.socket()
client.connect(('127.0.0.1', 8080))
while True:
# 模拟不停交互
client.send(b'hello')
data = client.recv(1024)
print(data.decode('utf-8'))
CIL全局解释器锁******
'''
In CPython, the global interpreter lock, or GIL, is a mutex that prevents multiple native threads from executing Python bytecodes at once. This lock is necessary mainly because CPython’s memory management is not thread-safe. (However, since the GIL exists, other features have grown to depend on the guarantees that it enforces.)
'''
ps：python解释器有很多种 最常见的就是Cpython解释器
"""
GIL本质也是一把互斥锁：将并发变成串行，牺牲效率保证数据的安全
用来阻止同一个进程下的多个线程的同时执行(同一个进程内多个线程无法实现并行但是可以实现并发)
python的多线程无法并行就无法利用多核优势 是不是就是没有用了?
GIL的存在是因为CPython解释器的内存管理不是线程安全的
垃圾回收机制本质也是一个线程，进程间是不同的内存空间，线程间数据共享
"""
每一个进程都有一个python解释器，都有一个垃圾回收机制的线程
如果没有GIL，允许多线程同时运行
线程1 执行到 a = 1，刚申请一块内存空间，把1 放进去，正要与a 绑定关系之前突然垃圾回收机制扫描到这个1 没有引用，顺手就给清除掉了，那么这个线程就直接报错了
可能被问到的两个判断
1. GIL是python的特点吗？
不是，它只是CPython解释器的特点
2. 单进程下多个线程无法利用多核优势是所有解释型语言的通病
正确，如果解释型语言能够利用多核优势，并行地执行代码，就会出现垃圾回收机制干扰线程数据的情况，CPython中就采用了CIL全局解释器锁来解决这一问题，牺牲多核优势保证线程安全
解释型语言都需要先解释再执行，在CPython中是用GIL全局解释器锁
与普通互斥锁的区别
代码遇到I/O操作就将GIL全局解释器锁给释放了，保证线程安全但不能保证数据安全
GIL是专门保护线程安全的，要想保护数据安全需要单独为数据处理加锁（普通互斥锁通常都是这样的）
针对不同的数据操作应该加不同的锁去处理
验证GIL与普通互斥锁的区别
import time
from threading import Thread
n = 100
def task():
global n
tmp = n
time.sleep(1) # IO ，遇到IO 就把GIL锁释放，给别的线程抢
n = tmp - 1
t_list = []
for i in range(100):
t = Thread(target=task)
t.start()
t_list.append(t)
for i in t_list:
i.join()
print(n)
# 99 # 写上 time.sleep(1) 时
# 0
验证python的多线程是否有用需要分情况讨论
进程可以充分利用CPU（多核时体现），但消耗资源较（线程）大
线程较（进程）节省内存资源，但无法充分发挥多核CPU优势
计算密集型任务
计算操作很依靠CPU
单核情况下
开线程更省资源
多核情况下
开进程更省时间
from multiprocessing import Process
from threading import Thread
import os
import time
def work():
res = 0
for i in range(100000000):
res *= i
if __name__ == '__main__':
l = []
print(os.cpu_count())
# 4 # 4核CPU，我的CPU比较菜
start = time.time()
for i in range(6):
p = Process(target=work) # 多个进程同时运算
# p = Thread(target=work) # 线程排队切换（并发）执行运算
l.append(p)
p.start()
for p in l:
p.join()
stop = time.time()
print('run time is %s' % (stop - start))
# run time is 21.93324899673462 # p = Process(target=work) 多进程时
# run time is 35.11313056945801 # p = Thread(target=work) 多线程时
IO密集型任务
IO操作不太依靠CPU（IO操作会让CPU空闲，程序进入阻塞态）
单核情况下
开线程更省资源
多核情况下
开线程更省资源（基本用不到多少CPU）
from multiprocessing import Process
from threading import Thread
import os
import time
def work():
time.sleep(2)
if __name__ == '__main__':
l = []
print(os.cpu_count())
# 4
start = time.time()
for i in range(400):
# p = Process(target=work) # 多进程，大部分时间耗费在创建进程上
p = Thread(target=work) # 多线程
l.append(p)
p.start()
for p in l:
p.join()
stop = time.time()
print('run time is %s' % (stop - start))
# run time is 22.937195301055908 # p = Process(target=work) 多进程时
# run time is 2.0452797412872314 # p = Thread(target=work) 多线程时
小结论
python的多线程到底有没有用，需要看情况而定，并且肯定是有用的（GIL全局解释器锁限制了python的多线程不能并行）
绝大数情况下还是多进程+多线程配合使用的
伪代码：编造代码实现效果演示一下
死锁与递归锁
死锁
双方接下来要的锁都在对方手上，并且都不肯释放锁，就都在等待锁被释放再抢
import time
from threading import Thread, Lock
mutexA = Lock()
mutexB = Lock()
"""
只要类加括号实例化对象
无论传入的参数是否一样，生成的对象肯定不一样
（单例模式除外）
"""
class MyThread(Thread):
def run(self): # 创建线程自动触发run 方法， run方法内调用 func1 func2 相当于也是自动触发
self.func1()
self.func2()
def func1(self):
mutexA.acquire()
print(f"{self.name}抢到了A锁") # 执行也是要点时间的（虽然超级超级短）
mutexB.acquire()
print(f"{self.name}抢到了B锁")
mutexB.release()
print(f"{self.name}释放了B锁")
mutexA.release()
print(f"{self.name}释放了A锁")
def func2(self):
mutexB.acquire()
print(f"{self.name}抢到了B锁")
time.sleep(1)
mutexA.acquire()
print(f"{self.name}抢到了A锁")
mutexA.release()
print(f"{self.name}释放了A锁")
mutexB.release()
print(f"{self.name}释放了B锁")
for i in range(10):
t = MyThread()
t.start()
# Thread-1抢到了A锁
# Thread-1抢到了B锁
# Thread-1释放了B锁
# Thread-1释放了A锁
# Thread-1抢到了B锁
# Thread-2抢到了A锁
# 程序卡住.....
'''
结果原因分析：
抢到A锁，再抢B锁没人抢，再释放B锁也没人抢，释放A锁执行func2
大家都去抢A锁，我抢B锁，抢到了休息一秒，别人还在接着往下抢锁，抢到B锁，去抢A锁，我还在休息（执行代码超级快）
等我休息好了要抢B锁，而B锁别人拿着，别人又要抢完了A锁才会释放B锁，而我要抢到了B锁才会释放A锁，所以大家就都这样僵着了...（程序就卡这儿了）
'''
自己千万不要轻易的处理锁的问题（一般也不会涉及到）
递归锁 RLock
递归锁机制：
RLock 可以被第一个抢到锁的人连续acquire和release多次
每acquire一次，锁身上的计数加
每release一次，锁身上的计数减1
只要锁的计数不为0，其他人都不能抢
from threading import Thread, RLock
import time
mutexA = mutexB = RLock() # mutexA 和 mutexB 是同一把锁（不想改下面的代码）
"""
只要类加括号实例化对象
无论传入的参数是否一样，生成的对象肯定不一样
（单例模式除外）
"""
class MyThread(Thread):
def run(self): # 创建线程自动触发run 方法， run方法内调用 func1 func2 相当于也是自动触发
self.func1()
self.func2()
def func1(self):
mutexA.acquire()
print(f"{self.name}抢到了A锁") # 执行也是要点时间的（虽然超级超级短）
mutexB.acquire()
print(f"{self.name}抢到了B锁")
mutexB.release()
print(f"{self.name}释放了B锁")
mutexA.release()
print(f"{self.name}释放了A锁")
def func2(self):
mutexB.acquire()
print(f"{self.name}抢到了B锁")
time.sleep(1)
mutexA.acquire()
print(f"{self.name}抢到了A锁")
mutexA.release()
print(f"{self.name}释放了A锁")
mutexB.release()
print(f"{self.name}释放了B锁")
for i in range(10):
t = MyThread()
t.start()
# Thread-1抢到了A锁
# Thread-1抢到了B锁
# Thread-1释放了B锁
# Thread-1释放了A锁
# Thread-1抢到了B锁
# ....省略大量打印结果.....
# Thread-1释放了B锁
# Thread-9抢到了B锁
# Thread-9抢到了A锁
# Thread-9释放了A锁
# Thread-9释放了B锁
# ---> 谁抢到了下面一大段都是谁在操作
信号量 Semaphore
这里的信号量不是通用概念，在不同的地方有不同的意义，对应不同的知识点
比喻
互斥锁--> 厕所（一把锁）
信号量--> 公共厕所（多把锁）
import random
import time
from threading import Thread, Semaphore
semaphore = Semaphore(2) # 造了一个含有五个坑位的公共厕所
def task(name):
semaphore.acquire()
print(f"{name}占了一个坑位")
time.sleep(random.randint(1, 3))
semaphore.release()
print(f"{name}拉完了")
for i in range(5):
t = Thread(target=task, args=(i,))
t.start()
# 0占了一个坑位
# 1占了一个坑位
# 1拉完了
# 2占了一个坑位
# 0拉完了
# 3占了一个坑位
# 3拉完了
# 4占了一个坑位
# 2拉完了
# 4拉完了
Event事件
可利用event实现子线程等待某个子线程的结束再接着执行
import time
from threading import Thread, Event
event = Event()
def light():
print("红灯正亮着...")
time.sleep(2)
# --------------------------------------
# event.set() 发出信号
# 同一 Event对象.wait()处将收到信号
# 不再等待，接着往下执行
# --------------------------------------
event.set()
# 测试GIL全局解释器锁 start
# a = 1 + 6 * 4 * 4 / 12 * 1*151*158*235*122*21*45/121 # CPU运算不会释放GIL锁
# msg = input('>>>:').strip() # I/O 操作会释放GIL锁
# 测试GIL全局解释器锁 end
print("绿灯亮了")
def car(name):
print(f"{name} 正在等红灯...")
# --------------------------------------
# event.wait() 等待信号
# 未收到信号就在这里等待信号
# 类似队列的 .get() .put()等待
# --------------------------------------
event.wait()
print(f"{name}加油门飙车了...")
_light = Thread(target=light)
_light.start()
for i in range(5):
t = Thread(target=car, args=(f'car{i}',))
t.start()
# 红灯正亮着...
# car0 正在等红灯...
# car1 正在等红灯...
# car2 正在等红灯...
# car3 正在等红灯...
# car4 正在等红灯...
# 绿灯亮了
# car0加油门飙车了...
# car2加油门飙车了...
# car4加油门飙车了...
# car1加油门飙车了...
# car3加油门飙车了...
# # 测试GIL全局解释器锁返回结果
# 红灯正亮着...
# car0 正在等红灯...
# car1 正在等红灯...
# car2 正在等红灯...
# car3 正在等红灯...
# car4 正在等红灯...
# >>>:car1加油门飙车了... # I/O 操作释放了全局解释器锁，其他地方抢到了，就执行，等你输入了进入就绪态，抢锁
# car2加油门飙车了...
# car3加油门飙车了...
# car0加油门飙车了...
# car4加油门飙车了...
# 151 # 手动输入的值，然后才打印下一行
# 绿灯亮了
线程结合队列
疑问：同一个进程下的多个线程本来就是数据共享的，为什么还要用队列？
因为队列是管道+锁，使用队列就不需要自己手动操作锁的问题，如果锁操作不当极容易产生死锁现象
三种队列 Queue LifoQueue PriorityQueue 基本操作
from threading import Thread
import queue
q = queue.Queue()
q.put(1)
print(q.get())
# 1
q = queue.LifoQueue() # Last in First Out
q.put(1)
q.put(2)
q.put(3)
print(q.get())
print(q.get())
print(q.get())
# 3
# 2
# 1
q = queue.PriorityQueue() # 优先级 Q
# 因为重名了，点put进去，看到的是Queue的方法
q.put((10, 'haha')) # (priority number, data) 是一个元组，第一个是优先级数字(数据越小，优先级越高)，第二是数据
q.put((100, 'hhe'))
q.put((0, 'hihi'))
q.put((-10, 'yyy'))
print(q.get())
print(q.get())
print(q.get())
print(q.get())
# (-10, 'yyy')
# (0, 'hihi')
# (10, 'haha')
# (100, 'hhe')