python多線程無法真正并行處理cpu密集型任務，但適用于i/o密集型場景。1. python通過Threading模塊實現多線程，使用start()啟動線程、join()等待線程結束；2. 由于gil的存在，同一時間僅一個線程執行python字節碼，影響cpu密集型任務性能；3. 對于i/o密集型任務，線程在等待i/o時釋放gil，仍可提升效率；4. 可通過multiprocessing模塊實現多進程繞過gil限制；5. 多線程適用場景包括i/o任務、gui編程及簡化代碼結構；6. 線程安全問題可通過lock、semaphore、condition和queue等機制處理；7. 調試技巧包括日志記錄、斷點調試與線程分析工具；8. 避免死鎖的方法有禁止循環等待、設置鎖超時和使用檢測工具；9. 協程由程序員調度，切換開銷更小，并發性能更高；10. 使用psutil庫可監控多線程程序的cpu和內存使用情況。綜上，python多線程雖受gil限制，但在合適場景下仍具價值。
Python中的多線程，簡單來說，就是讓你的程序可以同時做幾件事。但要注意，由于全局解釋器鎖（GIL）的存在，Python的多線程在CPU密集型任務上并不能真正實現并行。
Python實現多線程主要依靠threading模塊。
import threading import time def task(name): print(f"Task {name} started") time.sleep(2) # 模擬耗時操作 print(f"Task {name} finished") # 創建線程 thread1 = threading.Thread(target=task, args=("A",)) thread2 = threading.Thread(target=task, args=("B",)) # 啟動線程 thread1.start() thread2.start() # 等待線程結束 thread1.join() thread2.join() print("All tasks done")
這段代碼創建了兩個線程，分別執行task函數。threading.Thread用于創建線程，start()啟動線程，join()等待線程結束。
立即學習“Python免費學習筆記（深入）”；
Python多線程的局限性
Python多線程最大的局限性在于GIL。GIL保證在任何時候只有一個線程可以執行Python字節碼。這意味著，即使你的機器有多個CPU核心，Python的多線程也無法真正利用這些核心進行并行計算。
GIL的實際影響
對于I/O密集型任務（例如，網絡請求，文件讀寫），多線程仍然可以提高效率，因為線程在等待I/O操作時會釋放GIL，允許其他線程運行。但對于CPU密集型任務（例如，圖像處理，科學計算），多線程幾乎沒有幫助，甚至可能因為線程切換的開銷而降低性能。
如何繞過GIL的限制？
-
多進程 (Multiprocessing): 使用multiprocessing模塊創建多個進程。每個進程都有自己的Python解釋器和內存空間，因此可以真正實現并行計算。這通常是解決CPU密集型任務的首選方法。
import multiprocessing import time def task(name): print(f"Task {name} started") time.sleep(2) print(f"Task {name} finished") if __name__ == '__main__': # 必須放在 if __name__ == '__main__': 下 process1 = multiprocessing.Process(target=task, args=("A",)) process2 = multiprocessing.Process(target=task, args=("B",)) process1.start() process2.start() process1.join() process2.join() print("All tasks done") -
使用C擴展: 將CPU密集型任務用C/c++編寫，并使用Python的C擴展機制調用這些代碼。C/C++代碼可以直接操作底層硬件，不受GIL的限制。
-
異步編程 (Asyncio): 使用asyncio庫實現并發。asyncio使用單線程和事件循環來管理多個協程。雖然仍然是單線程，但通過高效的切換，可以提高I/O密集型任務的性能。
多線程在哪些場景下仍然適用？
盡管有GIL的限制，多線程在以下場景仍然有用：
- I/O密集型任務: 例如，同時處理多個網絡請求。
- GUI編程: 避免GUI界面卡頓。
- 簡化代碼結構: 將復雜的任務分解成多個線程，使代碼更易于理解和維護。
如何選擇多線程、多進程或異步編程？
選擇哪種并發方式取決于你的具體需求：
- CPU密集型任務: 優先選擇多進程。
- I/O密集型任務: 可以選擇多線程或異步編程。
- 需要簡單易用的并發模型: 多線程可能更適合。
- 需要更高的并發性能: 異步編程可能更適合。
線程安全問題如何處理？
多線程編程中，需要注意線程安全問題。多個線程可能同時訪問和修改共享資源，導致數據不一致或程序崩潰。
-
鎖 (Locks): 使用threading.Lock或threading.RLock來保護共享資源。
import threading lock = threading.Lock() shared_resource = 0 def increment(): global shared_resource for _ in range(100000): lock.acquire() shared_resource += 1 lock.release() thread1 = threading.Thread(target=increment) thread2 = threading.Thread(target=increment) thread1.start() thread2.start() thread1.join() thread2.join() print(f"Shared resource: {shared_resource}")
-
信號量 (Semaphores): 使用threading.Semaphore來控制對資源的并發訪問數量。
-
條件變量 (Condition Variables): 使用threading.Condition來實現線程間的同步和通信。
-
隊列 (Queues): 使用queue.Queue來實現線程間的數據傳遞。queue.Queue是線程安全的。
Python多線程的調試技巧
多線程程序的調試可能比較困難。以下是一些常用的調試技巧：
- 日志記錄: 使用Logging模塊記錄線程的執行過程和狀態。
- 斷點調試: 使用Python的調試器（例如，pdb）設置斷點，逐步執行線程。
- 線程分析工具: 使用線程分析工具（例如，py-spy）來分析線程的性能瓶頸。
Python多線程的未來發展
Python社區一直在努力改進多線程的性能。未來可能會有更好的GIL解決方案，或者開發出新的并發模型。
如何避免死鎖？
死鎖是指多個線程相互等待對方釋放資源，導致所有線程都無法繼續執行的情況。
- 避免循環等待: 確保線程以相同的順序獲取鎖。
- 使用超時機制: 在獲取鎖時設置超時時間，如果超時則放棄獲取鎖。
- 使用死鎖檢測工具: 使用死鎖檢測工具來檢測和避免死鎖。
多線程與協程的區別？
多線程是由操作系統調度的，而協程是由程序員調度的。協程在用戶態執行，切換開銷更小，可以實現更高的并發性能。
如何監控多線程程序的性能？
可以使用psutil庫來監控多線程程序的CPU使用率、內存使用率等性能指標。
import psutil import threading import time def task(): while True: pass thread1 = threading.Thread(target=task) thread1.start() while True: cpu_usage = psutil.cpu_percent(interval=1) print(f"CPU usage: {cpu_usage}%") time.sleep(1)
