Python multithreading sesuai untuk tugas I/O-intensif. 1. Ia sesuai untuk senario seperti permintaan rangkaian, bacaan dan penulisan fail, input pengguna menunggu, dan lain-lain, seperti crawler multi-threaded dapat menjimatkan masa menunggu permintaan; 2. Ia tidak sesuai untuk tugas-tugas yang berintensifkan pengkomputeran seperti pemprosesan imej dan operasi matematik, dan tidak dapat beroperasi selari kerana Lock Interpreter Global (GIL). Kaedah Pelaksanaan: Anda boleh membuat dan memulakan benang melalui modul threading, dan menggunakan Join () untuk memastikan bahawa benang utama menunggu benang kanak -kanak selesai, dan menggunakan kunci untuk mengelakkan konflik data, tetapi tidak disyorkan untuk membolehkan terlalu banyak benang untuk mengelakkan mempengaruhi prestasi. Di samping itu, threadpoolexecutor modul serentak. Module menyediakan penggunaan yang lebih mudah, menyokong pengurusan automatik kolam thread, pengambilalihan hasil tak segerak, dan fungsi berasaskan MAP. Masalah biasa termasuk salah faham peranan GIL, pembolehubah yang dikunci bersama, melupakan gabungan dan terlalu banyak benang membawa kepada persaingan sumber, yang perlu diperiksa melalui balak atau alat penyahpepijatan.

Pelaksanaan multi-threading Python sebenarnya agak istimewa. Ramai orang pada mulanya menyangka ia boleh memanfaatkan sepenuhnya CPU berbilang teras seperti bahasa lain, tetapi sebenarnya, ia tidak sesuai. Sebab utama ialah Python mempunyai kunci penterjemah global (GIL), yang hanya menyekat satu benang untuk melaksanakan bytecode Python pada masa yang sama. Walau bagaimanapun, ini tidak bermakna bahawa multithreading tidak berguna dalam Python, masih terdapat banyak senario yang boleh digunakan.

Apa senario yang sesuai dengan multithreading?

Modul threading Python sesuai untuk tugas-tugas I/O-intensif , seperti permintaan rangkaian, bacaan dan penulisan fail, menunggu input pengguna, dan lain-lain. Tugas semacam ini sedang menunggu sumber luaran sepanjang masa. Pada masa ini, benang beralih tidak akan dipengaruhi oleh GIL, tetapi dapat meningkatkan kecekapan keseluruhan.

Sebagai contoh: Jika anda ingin merangkak data dari beberapa laman web dan setiap permintaan perlu menunggu beberapa saat untuk bertindak balas, kemudian membuka beberapa benang untuk menghantar permintaan pada masa yang sama dapat menjimatkan banyak masa.

• Web Crawler
• Pengumpulan log dan pemprosesan
• Cegah kegagalan antara muka dalam aplikasi GUI

Ia tidak disyorkan untuk tugas-tugas intensif pengiraan (seperti pemprosesan imej, sejumlah besar operasi matematik), kerana tugas-tugas ini akan terjebak dengan Gil dan tidak boleh benar-benar selari.

Bagaimana cara menggunakan threading untuk melaksanakan multi-threading?

Menggunakan threading adalah cara yang paling mudah. Proses asas adalah untuk membuat objek thread, tentukan fungsi objektif, dan kemudian mulakan benang.

 import threading

pekerja def ():
    Cetak ("Pekerja sedang berjalan")

Threads = []
untuk saya dalam julat (5):
    t = threading.thread (sasaran = pekerja)
    threads.append (t)
    t.start ()

Beberapa perkara yang perlu diperhatikan:

• Sekiranya anda mahukan semua benang kanak -kanak seperti benang utama untuk disiapkan, anda boleh menambah t.join()
• Apabila berkongsi data, gunakan kunci ( threading.Lock() ) untuk mengelakkan konflik.
• Ia tidak disyorkan untuk membuka terlalu banyak benang, kerana berpuluh -puluh mereka hampir sama, terlalu banyak akan melambatkan prestasi.

Adakah cara yang lebih mudah untuk menulisnya? Cuba serentak

Jika anda tidak mahu menguruskan hayat thread secara manual, pertimbangkan ThreadPoolExecutor dalam modul concurrent.futures .

 dari serentak. Mengimport Import ThreadPoolExecutor

def fetch_url (url):
    # Simulasi permintaan rangkaian kembali f "respons dari {url}"

urls = ["https://example.com/1", "https://example.com/2"]

dengan ThreadPoolExecutor (max_workers = 5) sebagai pelaksana:
    hasil = senarai (executor.map (fetch_url, url))

Kaedah ini mempunyai beberapa kelebihan:

• Mengurus saiz kolam benang secara automatik
• Menyokong hasil tak segerak (melalui objek masa depan)
• Lebih mudah digunakan dengan peta, fungsi as_completed dan fungsi lain

Pit pelbagai threading

Walaupun ia mudah digunakan, terdapat beberapa tempat yang terdedah kepada masalah, terutama untuk pemula.

• Kesalahpahaman Gil : Saya fikir saya boleh menjalankan CPU dengan membuka pelbagai benang, tetapi sebenarnya, ia tidak begitu membantu tugas-tugas CPU-intensif.
• Pembolehubah yang dikongsi tidak dikunci : Multiple Threads Ubah suai pembolehubah pada masa yang sama boleh menyebabkan kekeliruan data.
• Lupa Sertai : Benang utama berakhir terlalu cepat dan benang kanak -kanak dibunuh sebelum ia dilaksanakan.
• Terlalu banyak benang : Konvensyen yang berlebihan boleh membawa kepada persaingan sumber dan konteks beralih ke atas.

Apabila menghadapi masalah ini, anda juga boleh mencetak log terlebih dahulu untuk melihat perintah pelaksanaan thread, atau menggunakan alat debugging untuk memerhatikan status thread.

Pada dasarnya itu sahaja. Multi-threading Python tidak maha kuasa, tetapi ia masih sangat praktikal dalam senario yang sesuai. Menguasai skop aplikasi dan penggunaannya boleh membuat program anda mengendalikan beberapa tugas dengan lebih cekap.

Atas ialah kandungan terperinci Melaksanakan pelbagai threading di Python. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!