一、python多线程

1. 为什么要引入并发编程

场景1:一个网络爬虫,按顺序爬取花了1小时,采用并发下载减少到20分钟
场景2:一个APP应用,优化前每次打开页面需要3秒,采用异步并发提升到打开每次200毫秒

其实引入并发就是为了提升程序的运行速度。

2. python中对并发编程的支持

  • 多线程:threading模块,利用CPU和IO可以同时执行的原理,让CPU不会干巴巴的等待IO完成
  • 多进程:multiprocessing模块,利用多核CPU的能力,真正的并行执行任务
  • 异步IO:asyncio模块,在单线程利用CPU和IO同时执行的原理,实现函数异步执行

同时python又提供了一些模块来辅助或者简化并发的运行。

  • 使用Lock对资源进行加锁,防止冲突访问
  • 使用Queue实现不同线程、进程之间的数据通信,实现生产者-消费者模型
  • 使用线程池、进程池Pool,简化线程、进程的任务提交,等待结束,获取结果

3. 如何选择

  • CPU密集型:CPU密集型也叫计算密集型,是指I/O在很短的时间就可以完成,CPU需要大量的计算和处理,特点是CPU占用率特别高。典型的示例:压缩、解压缩,加密解密,正则表达式搜索等
  • IO密集型:IO密集型指的是系统运作大部分的状况是CPU在等待I/O,例如一些磁盘、内存、网络的读写,这种状况,CPU占用率不高,系统IO特别高。 典型的示例:文件处理程序,网络爬虫,读写数据库等

4. python中多进程、多线程、多协程的对比

  • 多线程:

    • 优点:相比进程,更加轻量级,占用资源少
    • 缺点:相比协程,启动数目有限,占用内存资源,有线程切换开销
    • 适用于:IO密集型计算,同时运行的任务数目要求不多
  • 多进程

    • 优点:可以利用多核CPU并行运算
    • 缺点:占用资源最多,可启动数目比线程少
    • 适用于:CPU密集型计算场景
  • 多协程

    • 优点:内存开销最少,启动协程数可以非常多
    • 缺点:支持的库有限,例如不能使用requests模块,代码实现复杂
    • 适用于:IO密集型计算、需要超多任务运行,有现成库支持的场景

5. python全局解释器锁GIL

(1)python速度慢的两个原因?

相比其他语言,例如:C/C++/java/golang,python确实很慢,在一些特殊场景下,python要比C++慢100~200倍

那么python慢的原因到底是什么?

  • 动态类型语言,边解释边执行
  • GIL无法利用多核CPU并发执行

(2)那么GIL是什么?

GIL:全局解释器锁,是计算机程序设计语言解释器用于同步线程的一种机制,它使得任何时刻仅有一个线程在执行,即便在多核心处理器上,使用GIL的解释器也只允许同一时间执行一个线程。

出现GIL的原因?

python设计初期,为了规避并发问题,解决多线程之间数据完整性和状态同步问题,因此引入了GIL。

由于python中对象的管理,是使用引用计数器进行的,引用数为0则释放对象。

比如:有两个线程A和B都想引用对象obj,并对该对象做撤销处理,线程A先执行了撤销,将对象obj做了减一处理,此时发生了多线程的调度切换,线程B也做了obj的撤销处理,obj此时又减一,这个时候又发生了多线程调度切换,此时对象obj的计数已经为0,此时Python会释放此对象,这个时候可能会破坏内存。

而多线程在执行期间,线程会释放GIL,实现CPU和IO的并行执行,因此多线程对于IO密集型的运行效率会有很大的提升。

6. 创建多线程的方法

创建多线程的流程

  1. 先准备一个执行函数,例如:
def my_func(a, b):    do_something(a, b)
  1. 创建一个线程
import threadingt = threading.Thread(target=my_func, args=(100, 200,))
  1. 启动线程
t.start()
  1. 等待结束
t.join()

7. 爬虫示例

测试示例来源于爬取的北京新发地菜价信息,地址如下:http://www.xinfadi.com.cn/priceDetail.html

浏览器f12抓包分析,可以看到,价格信息是通过http://www.xinfadi.com.cn/getPriceData.html这个请求拿到的,请求方法为POST,我们试着拿第一页的数据信息,代码如下:

import requestsurl = 'http://www.xinfadi.com.cn/getPriceData.html'def get_resource(url, page=1):    data = {        "limit": 20,        "current": page    }    resp = requests.post(url, data=data)    resp.encoding = 'utf-8'    price_list = resp.json()['list']    res_data = [        (info['prodName'], info['place'], info['avgPrice']) for info in price_list    ]    print(res_data)    return res_dataif __name__ == '__main__':    res = get_resource(url)    print(res)

执行结果:

[('大白菜', '冀陕辽', '1.15'), ('娃娃菜', '冀', '1.25'), ('小白菜', '', '2.75'), ('圆白菜', '冀', '2.5'), ('圆白菜', '鲁', '1.9'), ('紫甘蓝', '冀', '0.75'), ('芹菜', '鲁', '2.65'), ('西芹', '辽', '2.9'), ('菠菜', '蒙', '6.5'), ('莴笋', '冀', '2.25'), ('团生菜', '冀', '4.5'), ('散叶生菜', '京辽', '4.75'), ('罗马生菜', '冀', '3.25'), ('油菜', '冀', '2.9'), ('香菜', '冀', '6.0'), ('茴香', '冀', '6.5'), ('韭菜', '粤冀', '2.85'), ('苦菊', '辽', '4.5'), ('油麦菜', '辽', '6.0'), ('黄心菜', '皖', '1.55')]

下面看下单线程爬取五十页的菜价信息时的用时情况吧:

为了测试方便,这里写一个统计程序运行时间的装饰器,最终单线程运行时的代码为:

import timeimport xinfadi_spiderimport threadingfrom functools import wrapsdef count_time(func):    @wraps(func)    def _wraper(*args, **kwargs):        start = time.time()        res = func(*args, **kwargs)        end = time.time()        print(f"运行时间: {end - start}")        return res    return _wraper@count_timedef single_thread():    for page in range(1, 51):        xinfadi_spider.get_resource(xinfadi_spider.url, page)if __name__ == '__main__':    single_thread()

运行时间最终为:

运行时间: 13.166715621948242

下面再看下多线程时的运行代码:

@count_timedef single_thread():    for page in range(1, 51):        xinfadi_spider.get_resource(xinfadi_spider.url, page)    return@count_timedef multi_thread():    t = []    for page in range(1, 51):        t.append(            threading.Thread(target=xinfadi_spider.get_resource, args=(xinfadi_spider.url, page,))        )    for thread in t:        thread.start()    for thread in t:        thread.join()if __name__ == '__main__':    multi_thread()

最终运行速度提升了10倍左右,结果为:

运行时间: 1.8293204307556152

二、线程池

1. 介绍

首先了解一下线程的生命周期,如下图所示:

从上图可以看到新建线程时,系统需要分配资源,终止线程系统需要回收资源,因此这就会产生一定新建和终止的开销,如果可以重用线程,那么就可以减少系统开销,所以就有了线程池,那么使用线程池有哪些优势呢?

  • 提升性能,减少了大量的新建、终止线程的开销,重用线程资源
  • 适用于处理突发性大量请求或需要大量线程来完成任务,但实际任务处理时间较短的场景
  • 能有效避免系统因为创建线程过多,导致系统负荷较高而变慢的问题
  • 使用线程池,比单独使用线程要更加简洁

2. 使用方法

(1)map函数方式

map的结果和入参顺序是固定的

from concurrent.futures import ThreadPoolExecutor, as_completedwith ThreadPoolExecutor() as pool:    # func 是目标函数    # args_list 是一个参数列表    results = pool.map(func, args_list)    # 获取执行的返回结果    for result in results:        print(result)

(2)future模式

as_completed顺序是不固定的

from concurrent.futures import ThreadPoolExecutor, as_completedwith ThreadPoolExecutor() as pool:    # arg 是指一个参数    futures = [pool.submit(func, arg) for arg in args_list]    for future in futures:        print(future.result())    for future in as_completed(futures):        print(future.result())

下面结合上面的爬虫案例进行改造,首先是通过submit方式来看下

import xinfadi_spiderfrom concurrent.futures import ThreadPoolExecutor# 新建一个线程来获取所有url资源with ThreadPoolExecutor() as p1:    futures = {        page: p1.submit(xinfadi_spider.get_resource, xinfadi_spider.url, page)        for page in range(1, 51)    }    for k, v in futures.items():        print(k, v.result())with ThreadPoolExecutor() as p2:    futures_parse = {}    for resource in futures.values():        res = p2.submit(xinfadi_spider.parse_resource, resource.result())        futures_parse[res] = resource    for k, v in futures_parse.items():        print(res.result())

注意:当使用submit时,返回的是一个future对象,可以通过result()获取返回结果,

而使用map提交任务时,相当于启动了len(iterlables)个线程来并发的去执行func函数

with ThreadPoolExecutor() as p3:    res = p3.map(xinfadi_spider.get_resource, [xinfadi_spider.url] * 50, [i for i in range(1, 51)])with ThreadPoolExecutor() as p4:    p4.map(xinfadi_spider.parse_resource, [r for r in res])

需要注意的是,使用map时,传入多个参数时,需要保证传入的变量是一个可迭代的对象,例如数组、元祖等,并且需要保证参数的个数是一致的。

三、多进程

多线程和协程本质上还是在单核上进行,而多进程是真正意义上的并行,利用了多进程在多核CPU上并行执行。

由于多进程和多线程写法几乎一样,所以这里不在做过多的讲解,只列出一些创建方法和使用方法。

1. 导入模块

# 多进程from multiprocessing import Process# 多线程from threading import Thread

2. 新建、启动、等待结束

# 多进程p = Process(target=func, args=(1,))p.start()p.join()# 多线程t = Thread(target=func, args=(1,))t.start()t.join()

3. 数据通信

# 多进程from multiprocessing import Queueq = Queue()q.put([1,2,3])item = q.get()# 多线程import queueq = Queue()q.put([1,2,3])item = q.get()

4. 线程安全加锁

# 多进程from multiprocessing import Locklock = Lock()with lock:  do_something()  # 多线程from threading import Locklock = Lock()with lock:  do_something()

5. 池

# 多进程from concurrent.futures import ProcessPoolExecutorwith ProcessPoolExecutor() as pool:    # 方法一    res = pool.map(func, *iterables)    # 方法二    res = pool.submit(func, arg)    result = res.result()    # 多线程from concurrent.futures import ThreadPoolExecutorwith ThreadPoolExecutor() as pool:    # 方法一    res = pool.map(func, *iterables)    # 方法二    res = pool.submit(func, arg)    result = res.result()

四、协程

关于协程这部分,需要很多的内容去描述。后续再阐述