多进程和多线程

🧩 多任务编程基础

✅ 什么是多任务？

多任务是指在同一时间段内执行多个任务。其核心目的是：

• 提高 CPU 使用率
• 提升程序执行效率
• 更好地响应用户交互或外部事件

---

🔁 并发 vs 并行

类型	定义	适用场景
并发	在一段时间内交替执行多个任务（单核 CPU）	单核处理多个任务
并行	在同一时刻执行多个任务（多核 CPU）	多核加速计算任务

• Python 中由于 GIL（全局解释器锁）的存在，多线程不能真正实现并行计算
• 要实现真正的并行，应使用多进程

---

🧱 多进程（Multiprocessing）

📌 进程定义

• 进程是操作系统中正在运行的程序实例。
• 是资源分配的基本单位，拥有独立的内存空间。

📌 线程与进程的关系

概念	特点
进程	分配资源的基本单位，每个进程都有自己的内存空间
线程	同一进程下的线程共享该进程的内存空间

---

🔧 基本使用流程（Python）

import multiprocessing

def worker():
    print("子进程执行中...")

if __name__ == '__main__':
    p = multiprocessing.Process(target=worker)
    p.start()

---

🧾 获取进程编号

import os

print("当前进程 PID:", os.getpid())       # 当前进程编号
print("父进程 PID:", os.getppid())        # 创建当前进程的父进程编号

---

🧑‍🦱 给进程命名 & 获取名字

p = multiprocessing.Process(target=worker, name="WorkerProcess")
print(p.name)  # 输出: WorkerProcess

---

📥 传递参数给子进程

# 使用 args（元组）
p = multiprocessing.Process(target=worker, args=(5,))

# 使用 kwargs（字典）
p = multiprocessing.Process(target=worker, kwargs={"count": 5})

---

⚠️ 多进程注意事项

1. 进程之间不共享全局变量
2. 主进程默认等待子进程结束
3. 让子进程随主进程结束而终止

p.daemon = True     # 设置为守护进程
p.start()

4. 手动终止子进程

p.terminate()       # 强制结束子进程

---

🧵 多线程（Threading）

📌 线程定义

• 线程是依附于进程存在的最小执行单元
• 同一个进程中的所有线程共享内存空间
• 是调度执行的基本单位

---

🔧 基本使用流程（Python）

import threading

def worker():
    print("子线程执行中...")

t = threading.Thread(target=worker)
t.start()

---

⚠️ 多线程注意事项

1. 线程无序执行
2. 主线程默认等待所有子线程完成
3. 设置守护线程（让子线程随主线程一起结束）

t = threading.Thread(target=worker, daemon=True)

# 或者
t.setDaemon(True)

4. 线程间共享全局变量

---

🧷 共享变量问题及解决方法

🧨 问题：数据冲突

当多个线程同时修改同一个变量时，可能导致结果错误。

✅ 解决方案：

方法 1：join()

t.join()   # 主线程等待该线程完成再继续

方法 2：互斥锁（Mutex Lock）

import threading

mutex = threading.Lock()   # 创建锁

def change_count():
    global count
    mutex.acquire()        # 上锁
    try:
        count += 1
    finally:
        mutex.release()    # 释放锁

---

💀 死锁问题（Deadlock）

死锁条件：一个线程反复申请同一把锁，未释放就再次上锁。

mutex.acquire()
mutex.acquire()   # ❗死锁！程序卡住

✅ 避免死锁的方法：

• 使用 with 语句自动管理锁
• 控制锁的粒度
• 避免嵌套加锁

---

🧰 线程池与进程池（推荐使用方式）

在实际开发中，频繁创建和销毁线程/进程会带来较大的性能开销。为了提高效率，可以使用线程池和进程池来复用已有的线程或进程。

📌 导入模块

from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor

---

🧵 线程池（ThreadPoolExecutor）

适用于 I/O 密集型任务（如网络请求、文件读写等）

from concurrent.futures import ThreadPoolExecutor
import time

def task(n):
    time.sleep(1)
    return f"Task {n} done"

with ThreadPoolExecutor(max_workers=3) as executor:
    results = [executor.submit(task, i) for i in range(5)]
    
    for future in results:
        print(future.result())

---

🧱 进程池（ProcessPoolExecutor）

适用于 CPU 密集型任务（如图像处理、科学计算等）

from concurrent.futures import ProcessPoolExecutor
import time

def cpu_task(n):
    sum(i*i for i in range(10000))
    return f"CPU Task {n} done"

with ProcessPoolExecutor(max_workers=4) as executor:
    results = [executor.submit(cpu_task, i) for i in range(5)]
    
    for future in results:
        print(future.result())

---

🧮 map 方法简化调用

with ThreadPoolExecutor() as executor:
    results = executor.map(task, range(5))
    for result in results:
        print(result)

---

📌 总结对比表：线程池 vs 进程池

对比项	线程池（ThreadPoolExecutor）	进程池（ProcessPoolExecutor）
底层机制	复用线程	复用进程
适用任务类型	I/O 密集型	CPU 密集型
内存占用	小	大
启动速度	快	相对慢
是否受 GIL 影响	是	否
数据共享	可以共享全局变量	不共享，需通过 IPC 通信

---

🧠 总结建议

场景	推荐方式
处理大量网络请求	多线程 / 线程池
文件读写	多线程 / 线程池
图像处理 / 科学计算	多进程 / 进程池
需要快速启动任务	线程池
需要充分利用多核 CPU	进程池
线程安全访问共享资源	使用互斥锁 / with lock

---