Python并发执行的几种实现方法

1、Python中并发执行实现方法

1.1 Python中并发执行实现

在Python中，有几种主要的并发执行实现方法，包括多线程、多进程和异步编程。

1.1.1 多线程（Threading）

Python标准库中的threading模块支持多线程编程。然而，由于Python的全局解释器锁（GIL），Python的多线程在CPU密集型任务上并不能实现真正的并行执行。但在I/O密集型任务（如网络请求、文件读写等）上，多线程仍然可以显著提升性能。

import threading  
  
def worker():  
    print("This is a thread running the worker function.")  
  
# 创建线程对象  
threads = []  
for _ in range(5):  
    t = threading.Thread(target=worker)  
    threads.append(t)  
    t.start()  
  
# 等待所有线程完成  
for t in threads:  
    t.join()

1.1.2 多进程（Multiprocessing）

Python的multiprocessing模块支持多进程编程，可以充分利用多核CPU的资源。每个进程都有自己独立的Python解释器，因此不受GIL的限制。多进程适用于CPU密集型任务。

import multiprocessing  
  
def worker():  
    print("This is a process running the worker function.")  
  
if __name__ == "__main__":  
    processes = []  
    for _ in range(5):  
        p = multiprocessing.Process(target=worker)  
        processes.append(p)  
        p.start()  
  
    # 等待所有进程完成  
    for p in processes:  
        p.join()

1.1.3 异步编程（Asyncio）

Python 3.5引入了asyncio模块，支持异步编程。异步编程可以在单线程内实现非阻塞的I/O操作，提高程序的响应速度和吞吐量。它特别适用于处理大量的并发I/O操作，如网络请求。

import asyncio  
  
async def worker():  
    print("This is an async task running the worker function.")  
  
# 创建事件循环  
loop = asyncio.get_event_loop()  
tasks = []  
for _ in range(5):  
    task = loop.create_task(worker())  
    tasks.append(task)  
  
# 执行所有任务  
loop.run_until_complete(asyncio.wait(tasks))  
loop.close()

注意：异步编程与多线程和多进程编程有所不同，它更多的是一种编程模型，而不是简单地创建多个执行单元。异步编程需要理解并适应其特有的编程模式和概念，如协程、事件循环等。

1.2 Python中多进程和多线程的区别

在Python中，multiprocessing和threading模块都用于实现并发执行，但它们在底层机制、使用场景和性能特点上有显著的区别。

1.2.1 Multiprocessing多进程

Multiprocessing模块允许创建多个进程来执行Python代码。每个进程都有自己独立的内存空间和解释器实例，因此它们之间不共享全局变量（除非通过特定的机制，如multiprocessing.Manager或multiprocessing.Value、multiprocessing.Array等）。这使得multiprocessing非常适合于计算密集型任务，因为它可以充分利用多核CPU并行处理任务。

由于每个进程都有自己独立的Python解释器，进程间通信（IPC）通常比线程间通信（通过共享内存）要慢得多，并且需要显式的IPC机制，如管道（Pipe）、队列（Queue）、共享内存（SharedMemory）等。

1.2.2 Threading多线程

Threading模块允许创建多个线程来执行Python代码。线程共享同一个进程的内存空间，因此它们可以直接访问全局变量和大多数Python对象。这使得线程间通信相对简单，因为它们可以直接读写共享的内存。

然而，由于Python的全局解释器锁（GIL）的存在，同一时间内只有一个线程可以执行Python代码。这意味着即使是多线程，CPU密集型任务的执行速度也可能不会显著提高。因此，threading模块在Python中通常更适用于IO密集型任务，如网络请求、文件读写等，这些任务通常可以在一个线程等待IO操作完成时让另一个线程继续执行。

1.2.3 多进程和多线程特性对比

• 资源共享：
  • 多线程：在多线程中，所有线程共享同一个进程的地址空间，这意味着它们可以访问相同的变量和内存区域。因此，多线程间的数据共享和通信相对简单，但也容易引发数据同步和一致性的问题，如竞态条件。
  • 多进程：每个进程都有自己独立的地址空间，这意味着它们无法直接共享数据。进程间的通信需要通过特殊的机制来实现，如管道、消息队列、共享内存或套接字等。虽然进程间通信相对复杂，但它避免了多线程中的数据同步问题。
• 全局解释器锁（GIL）：
  • 多线程：由于Python的全局解释器锁（GIL）的存在，Python的多线程在CPU密集型任务上并不能实现真正的并行执行。GIL确保任何时候只有一个线程在执行Python字节码。因此，对于计算密集型任务，多线程并不能带来性能提升。
  • 多进程：多进程不受GIL的限制，每个进程都有自己独立的Python解释器，因此可以充分利用多核CPU的资源，实现真正的并行执行。
• 性能开销：
  • 多线程：线程创建和销毁的开销相对较小，因为线程共享进程的内存空间，无需复制数据。因此，对于需要频繁创建和销毁线程的应用，多线程可能是一个更好的选择。
  • 多进程：进程创建和销毁的开销相对较大，因为每个进程都需要独立的内存空间和系统资源。此外，进程间通信也需要额外的开销。因此，对于需要大量进程的应用，需要谨慎考虑性能问题。
• 稳定性：
  • 多线程：由于线程共享数据，如果一个线程崩溃，可能会导致整个进程崩溃。
  • 多进程：每个进程都是独立的，一个进程的崩溃不会影响其他进程。因此，多进程在稳定性方面可能更有优势。
• 适用场景：
  • 多线程：适用于I/O密集型任务，如网络请求、文件读写等。在这些场景下，线程大部分时间都在等待I/O操作完成，因此可以充分利用多线程的优势。
  • 多进程：适用于CPU密集型任务，如科学计算、图像处理等。在这些场景下，多进程可以充分利用多核CPU的资源，实现性能提升。

总之，选择使用多线程还是多进程取决于具体的任务类型和性能需求。在Python中，对于I/O密集型任务，可以使用多线程或异步编程；对于CPU密集型任务，多进程可能是一个更好的选择。

1.3 等待信号量实现并发控制

信号量是一个计数器，用于控制同时访问某个特定资源或资源池的线程数量。信号量有一个值，表示可用的许可数。当线程想要访问资源时，它必须先获取一个许可；如果许可数大于0，则获取成功并减1；否则，线程将阻塞等待。

import threading  

sem = threading.Semaphore(3)  # 允许三个线程同时访问资源  

def worker():  
    sem.acquire()  # 获取许可  
    try:  
        # 访问或修改共享资源  
        print("Thread is working with the shared resource.")  
    finally:  
        sem.release()  # 释放许可  

# 创建并启动线程...

1.3.1 基于等待信号量实现多进程并发

在Python中，基于等待信号量（Semaphore）实现多进程并发通常涉及到multiprocessing模块中的Semaphore类。信号量用于控制对共享资源的访问，允许一定数量的进程同时访问该资源。当信号量的值大于0时，进程可以获得一个信号量许可来访问资源；当信号量的值为0时，进程将阻塞，直到有其他进程释放一个许可。

下面是一个简单的例子，展示了如何使用multiprocessing.Semaphore来实现多进程并发访问共享资源：

import multiprocessing  
import time  
import random  
  
# 设置信号量的初始值，这里允许3个进程同时访问共享资源  
semaphore = multiprocessing.Semaphore(3)  
  
def worker_process(process_id, semaphore):  
    # 尝试获取信号量许可  
    semaphore.acquire()  
    try:  
        print(f"Process {process_id} acquired semaphore and is working.")  
        # 模拟工作负载  
        time.sleep(random.random())  
        print(f"Process {process_id} finished working and releasing semaphore.")  
    finally:  
        # 无论是否发生异常，都要确保释放信号量许可  
        semaphore.release()  
  
if __name__ == '__main__':  
    # 创建进程池  
    processes = []  
    for i in range(10):  # 创建10个进程  
        p = multiprocessing.Process(target=worker_process, args=(i, semaphore))  
        processes.append(p)  
        p.start()  
  
    # 等待所有进程完成  
    for p in processes:  
        p.join()  
  
    print("All processes have finished.")

在这个例子中创建了10个进程，但是通过信号量限制了同时访问共享资源的进程数最多为3个。每个进程在工作前都会尝试获取信号量的许可，如果信号量的值大于0，则获取许可并开始工作；如果信号量的值为0，则进程会阻塞等待，直到有其他进程释放许可。每个进程完成工作后会释放其持有的信号量许可，这样其他等待的进程就可以获取许可并开始工作。

1.3.2 基于等待信号量实现多线程并发

在Python中，要实现基于等待信号量的多线程并发，可以使用threading模块中的Semaphore类。信号量用于控制对共享资源的并发访问。当信号量的值大于0时，线程可以获得一个信号量许可来访问资源；当信号量的值为0时，线程将阻塞，直到其他线程释放一个许可。

下面是一个简单的例子，展示了如何使用threading.Semaphore来实现多线程并发访问共享资源：

import threading  
import time  
import random  
  
# 设置信号量的初始值，这里允许3个线程同时访问共享资源  
semaphore = threading.Semaphore(3)  
  
def worker_thread(thread_id, semaphore):  
    # 尝试获取信号量许可  
    semaphore.acquire()  
    try:  
        print(f"Thread {thread_id} acquired semaphore and is working.")  
        # 模拟工作负载  
        time.sleep(random.random())  
        print(f"Thread {thread_id} finished working and releasing semaphore.")  
    finally:  
        # 无论是否发生异常，都要确保释放信号量许可  
        semaphore.release()  
  
if __name__ == '__main__':  
    # 创建线程列表  
    threads = []  
    for i in range(10):  # 创建10个线程  
        t = threading.Thread(target=worker_thread, args=(i, semaphore))  
        threads.append(t)  
        t.start()  
  
    # 等待所有线程完成  
    for t in threads:  
        t.join()  
  
    print("All threads have finished.")

在这个例子中创建了10个线程，但是通过信号量限制了同时访问共享资源的线程数最多为3个。每个线程在工作前都会尝试获取信号量的许可，如果信号量的值大于0，则获取许可并开始工作；如果信号量的值为0，则线程会阻塞等待，直到有其他线程释放许可。每个线程完成工作后会释放其持有的信号量许可，这样其他等待的线程就可以获取许可并开始工作。

总结

到此这篇关于Python并发执行的几种实现方法的文章就介绍到这了,更多相关Python并发执行实现内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

最新评论