并发编程

操作系统的进化

1. 传统的纸带输入
2. 磁带的存储降低了输入输出数据占用的时间，提高了CPU的利用率
3. 多道操作系统的出现：提高了CPU的利用率，单纯的切换会浪费时间

　　　　a)      一台计算机上同时可以出现多个任务

　　　　b)      能够将多个任务所使用的资源隔离开

　　　　c)      当一个任务遇到输入输出工作的时候能够让另一个任务使用CPU去计算

　　 4. 分时操作系统：降低了CPU的利用率，提高了用户的体验。

        　　　　时间片轮转

　　 5. 实时操作系统（实时的处理任务）

　　 6. 网络操作系统

　　 7. 分布式操作系统（多任务分给子系统处理）

并发和并行

       并发：多个程序交替在同一个CPU上被计算

       并行：多个程序同时在多个CPU上被计算

阻塞与非阻塞

       CPU是否在工作

异步和同步

       异步：发布一个任务，不等待这个任务的结果就继续执行任务

       同步：发布一个任务，等待获取这个任务的结果之后才继续执行任务

进程和线程

    进程（是计算机中资源分配的最小单位。）

进程就是运行中的程序，每个进程在计算机中都有一个唯一的进程id，为PID

进程三状态（就绪、运行、阻塞）

 

 

         进程的调度

1. 先来先服务
2. 短作业优先
3. 分时/多道
4. 多级反馈队列

进程的终止

1. 正常退出
2. 出错退出
3. 严重错误
4. 被其他进程杀死

 

线程（是计算机中能够被CPU调度的最小单位）

       是进程中的一个单位，它不独立存在

TCP协议的socketserver并发效果（可以同时开多个客户端）

import socketserver

socket是socketserve的底层模块

socketserver的网络连接这个操作是调用socket模块实现的

import socketserverclass Myserver(socketserver.BaseRequestHandler):       def handle(self):              conn=self.request              print(conn)server = socketserver.ThreadingTCPServer(('127.0.0.1', 9999), Myserver)server.serve_forever()

 

并发编程之多进程

开启进程的两种方式

multiprocessing模块

Python提供了multiprocessing。 multiprocessing模块用来开启子进程，并在子进程中执行我们定制的任务（比如函数），该模块与多线程模块threading的编程接口类似。multiprocessing模块的功能众多：支持子进程、通信和共享数据、执行不同形式的同步，>提供了Process、Queue、Pipe、Lock等组件。

Process进程类（达到异步传输的作用）

示例：

import timefrom multiprocessing import Process def func(a,b,c):    time.sleep(1)    print(a,b,c) if __name__ == '__main__':    Process(target=func,args=(1,2,3)).start()        #这里的target是目标的意思，固定搭配    Process(target=func,args=(2,3,4)).start()        #所有的Process（）都是子进程，子进程都放在if下。Process(target=func,args=(3,4,5)).start()

 

需要注意：args是传值，若只传一个值时，必须为元组形式。

p.start() #P是一个进程操作

p.terminate() 终止进程

p.is_alive() 进程是否存活

join（阻塞，直到P对应的进程结束后才结束阻塞-对子进程同步管理的方法）

示例：

import timeimport randomfrom multiprocessing import Process def send_mail(name):    time.sleep(random.uniform(1,3))    print('已经给%s发送邮件完毕'%name) if __name__ == '__main__':    lst = ['alex','yuan','宝元','太白']    p = Process(target=send_mail, args=('alex',))    p.start()    p.join()   # 阻塞,直到p对应的进程结束之后才结束阻塞    print('所有的信息都发送完毕了')

 

守护进程（p.daemon=True）

守护进程是一个子进程，守护的是主进程。

结束条件：主进程的代码结束，守护进程也结束

import timefrom multiprocessing import Processdef func():    for i in range(20):        time.sleep(0.5)        print('in func') def func2():    print('start : func2')    time.sleep(5)    print('end : func2') if __name__ == '__main__':    p = Process(target=func)    p.daemon = True   # 表示设置p为一个守护进程    p.start()    p2 =Process(target=func2)    p2.start()    print('in main')    time.sleep(3)    print('finished')p2.join()

 

锁（with lock：）

import lock

lock=Lock()

lock.acquire()

内容

lock.release()

或

with lock:

       内容

推荐用with lock，可以自动异常处理。

牺牲了效率，保证了数据安全

锁的应用：

       当多个进程需要操作同一个文件/数据库的时候，会产生数据不安全，我们应该使用锁来避免多个进程同时修改一个文件

队列（实现多个进程间的数据交互和通信（IPC））

from multiprocessing import Queue  # 可以完成进程之间通信的特殊的队列# from queue import Queue    # 不能完成进程之间的通信from multiprocessing import Queue,Process def son(q):    print('-->',q.get()) if __name__ == '__main__':    q = Queue()    Process(target=son,args=(q,)).start()q.put('wahaha')

 

线程

1. 轻型进程，轻量级的进程
2. 在同一个进程中的多个线程是可以共享一部分数据的
3. 线程的开启、销毁、切换都比进程要高效很多
4. 4.      python当中的多线程不能访问多个CPU，但是线程本身可以同时访问多个CPU：Cpython解释器，有一个GIL锁

threading模块

现有threading模块，后有multiprocessing模块，后者完全模仿前者，并且实现了池的功能concurrent.futures

import osimport timefrom threading import Thread def func():    time.sleep(1)    print('in func',os.getpid()) print('in main',os.getpid())for i in range(20):    # func()    Thread(target=func).start()

 

线程中的其他方法

from threading import active_count       返回当前有多少个正在工作的线程

print(active_count())

 

from threading import enumerate,Threaddef func():    print('in son thread') Thread(target=func).start()print(enumerate())      返回一个存储着所有存活线程对象的列表

 

线程没有terminate，不能强制结束，必须等所有的子线程结束后结束

守护线程

1. 主线程会等待子线程结束才结束
2. 守护线程会随着主线程的结束而结束
3. 守护线程会守护主线程和所有的子线程
4. 进程会随着主线程的结束而结束

import timefrom threading import Thread def daemon_func():    while True:        time.sleep(0.5)        print('守护线程') def son_func():    print('start son')    time.sleep(5)    print('end son') t = Thread(target=daemon_func)t.daemon = True 设置守护t.start()Thread(target=son_func).start()time.sleep(3)print('主线程结束')

 

线程中的锁

数据不安全问题

在线程中也是会出现数据不安全问题（1.对全局变量进行修改 2.对某个值+= -= *= /*）

只能通过加锁来解决

递归锁

from threading import Rlock,Thread

可以连续加锁

池（帮助利用多核，批量处理任务）

进程池

好处：控制进程的数量，节省资源的开销

示例：

import osimport timefrom concurrent.futures import ProcessPoolExecutor 线程池# def make(i):#     time.sleep(1)#     print('%s 制作螺丝%s'%(os.getpid(),i))#     return i**2## if __name__ == '__main__':#     p = ProcessPoolExecutor(4)   # 创建一个进程池    # for i in range(100):    #     p.submit(make,i)   # 向进程池中提交任务    # p.shutdown()  # 阻塞 直到池中的任务都完成为止    # print('所有的螺丝都制作完了')    # p.map(make,range(100)) # submit的简便用法     # 接收返回值    # ret_l = []    # for i in range(100):    #     ret = p.submit(make,i)    #     ret_l.append(ret)    # for r in ret_l:    #     print(r.result())     # ret = p.map(make, range(100))    # for i in ret:#     print(i)import osimport timefrom concurrent.futures import ProcessPoolExecutor 线程池# def make(i):#     time.sleep(1)#     print('%s 制作螺丝%s'%(os.getpid(),i))#     return i**2## if __name__ == '__main__':#     p = ProcessPoolExecutor(4)   # 创建一个进程池    # for i in range(100):    #     p.submit(make,i)   # 向进程池中提交任务    # p.shutdown()  # 阻塞 直到池中的任务都完成为止    # print('所有的螺丝都制作完了')    # p.map(make,range(100)) # submit的简便用法     # 接收返回值    # ret_l = []    # for i in range(100):    #     ret = p.submit(make,i)    #     ret_l.append(ret)    # for r in ret_l:    #     print(r.result())     # ret = p.map(make, range(100))    # for i in ret:#     print(i)

 

线程池

from urllib.request import urlopenfrom concurrent.futures import ThreadPoolExecutor,ProcessPoolExecutor def get_html(name,addr):    ret = urlopen(addr)    return {
    'name':name,'content':ret.read()} def parser_page(ret_obj):    dic = ret_obj.result()    with open(dic['name']+'.html','wb') as f:        f.write(dic['content']) url_lst = {    'name':'url','name':'url','name':'url','name':'url','name':'url',} t = ThreadPoolExecutor(20)for url in url_lst:    task = t.submit(get_html,url,url_lst[url])    task.add_done_callback(parser_page)

 

协程(第三方模块greenlet、gevent（推荐使用）)

是一个比线程还小的单位

协程不是操作系统可见的，是用户级别的，是代码控制切换的。

特点：从python代码级别的，完成代码在多个函数之间的切换。

协程(本质是一条线程,操作系统不可见)

是有程序员操作的,而不是由操作系统调度的

多个协程的本质是一条线程,所以多个协程不能利用多核

出现的意义 : 多个任务中的IO时间可以共享,当执行一个任务遇到IO操作的时候,

      可以将程序切换到另一个任务中继续执行

      在有限的线程中,实现任务的并发,节省了调用操作系统创建\销毁线程的时间

      并且协程的切换效率比线程的切换效率要高

      协程执行多个任务能够让线程少陷入阻塞,让线程看起来很忙

      线程陷入阻塞的次数越少,那么能够抢占CPU资源就越多,你的程序效率看起来就越高

 

      1.开销变小了

      2.效率变高了

示例：

协程模块 帮助我们更加简单的进行函数之间的切换

gevent模块（遇到IO操作自动切换）

import timeimport gevent def eat():    # 协程任务 协程函数    print('start eating')    gevent.sleep(1)    print('end eating') def sleep():  # 协程任务 协程函数    print('start sleeping')    gevent.sleep(1)    print('end sleeping') g1 = gevent.spawn(eat)g2 = gevent.spawn(sleep)# g1.join()   # 阻塞,直到g1任务执行完毕# g2.join()   # 阻塞,直到g2任务执行完毕gevent.joinall([g1,g2]) #合并上面两句

 

用了monkey.patch_all()之后，把所有导入的打成一个包，全部能使用。就可以不用上面的gevent.sleep(1).

from gevent import monkeymonkey.patch_all()import timeimport gevent def eat():    # 协程任务 协程函数    print('start eating')    time.sleep(1)    print('end eating') def sleep():  # 协程任务 协程函数    print('start sleeping')    time.sleep(1)    print('end sleeping') g1 = gevent.spawn(eat)   # 创建协程g2 = gevent.spawn(sleep)gevent.joinall([g1,g2])  # 阻塞 直到协程任务结束