多线程 -- threading

• 多线程的调用
  • 直接调用

    import threading
    import time
    
    #定义每个线程要运行的函数
    def my_func(num, **kwargs):
    
        print("%s running on number:%s" % (kwargs['name'], num))
        time.sleep(3)
    
    if __name__ == '__main__':
        #生成一个线程实例
        t1 = threading.Thread(target=my_func, args=(1,), kwargs={'name': 'my_thread'})
        #生成另一个线程实例
        t2 = threading.Thread(target=my_func, args=(2,), kwargs={'name': 'my_thread'})
    
        #启动线程
        t1.start()
        #启动另一个线程
        t2.start()
    
        #获取线程名
        print(t1.getName())
        print(t2.getName())
    

• • 继承式调用

    import threading
    import time
    
    class MyThread(threading.Thread):
        def __init__(self, num):
            threading.Thread.__init__(self)
            self.num = num
    
        #定义每个线程要运行的函数
        def run(self):
            print("running on number:%s" % self.num)
            time.sleep(3)
    
    if __name__ == '__main__':
    
        t1 = MyThread(1)
        t2 = MyThread(2)
        t1.start()
        t2.start()
    

     

• IO密集型任务和CPU密集型任务
  • IO密集型任务：任务在执行过程中会有大量的IO阻塞，导致cpu空闲而对内存、磁盘的读写频繁
  • CPU密集型任务：任务执行过程中主要以占用cpu做计算为主，而读写空闲
  • python的多线程在IO密集型任务场景下使用可以缩短时间，提高效率，而在CPU密集型任务场景下却会降低效率并且增加执行的时间

     

• 为什么多线程提升不了CPU密集型任务的效率？
  • 这是由于python解释器(Cpython)有一把GIL锁，它限制了多线程只能使用一个cpu计算，多余的cpu无法被使用

 

• join()
  • 在子线程完成运行之前，这个子线程的父线程将一直被阻塞