python中的GILGIL(Global Interpreter Lock)，就是一个锁。Python中的一个线程对应于 C语言 中的一个线程。GIL使得同一时刻只有一个线程在一个cpu上执行字节码，无法将多个线程分配到多个cpu上进行同步运行。如果在单核cpu上，线程是并发运行，而不是并行。

首先，这样效率不高，但是看似也不会产生数据访问冲突的问题，毕竟同一时刻只有一个线程在一个核上运行嘛，然而：

sum = 0def add(): global sum for i in range(1000000): sum += 1def subtract(): global sum for i in range(1000000): sum -= 1import threadingadd_thread = threading.Thread(target=add)sub_thread = threading.Thread(target=subtract)add_thread.start()sub_thread.start()add_thread.join()sub_thread.join()print(sum)

如果按照上面的理解，线程间很安全，最后结果应该会是 0，运行三次代码的结果如下：

# result:# 358918# 718494# -162684

这说明两个线程并没有顺序异步执行。在一些特定的情况，GIL这把锁会被打开，一定程度上达到并行的效果。

GIL会根据线程执行的字节码行数以及时间片以及遇到 I/O 操作打开，所以Python的多线程对 I/O 密集型代码比较友好，比如，文件处理和网络爬虫。

多线程编程

线程模块

在Python3中提供了两个模块来使用线程_thread和threading，前者提供了低级别、原始的线程以及一个简单的锁，相比后者功能还是比较有限的，所以我们使用threading模块。

使用案例

直接使用Thread来实例化

import timeimport threadingdef learn(obj): print("learning {sth} started".format(sth=obj)) time.sleep(2) print("learning {sth} end".format(sth=obj))def play(obj): print("playing {sth} started".format(sth=obj)) time.sleep(4) print("playing {sth} end".format(sth=obj)) # 创建出两个线程对象learn_thread = threading.Thread(target=learn, args=("Python",))play_thread = threading.Thread(target=play, args=("Game",))start_time = time.time()# 启动线程，开始执行learn_thread.start()play_thread.start()end_time = time.time()span = end_time - start_timeprint("[lasting for {time_span}s]".format(time_span=span))# result:# learning Python started# playing Game started# [lasting for 0.0005965232849121094s]# learning Python end# playing Game end

可以看到，整个程序的运行时间基本上是 0s，这是因为整个程序中实际有三个线程：创建出来的两个线程和主线程（MainThread），那两个线程创建出来后就不受主线程控制了，他们的工作不占用主线程的时间，主线程除了计时就没有其他逻辑了，因此主线程持续时间是几乎是 0s。

但是主线程逻辑完成后并没有退出，它等待了另外两个线程运行的结束，如果主线程在其他两个线程结束之前就退出了，意味着整个程序进程终止了，另外两个线程会迅速终止。如果我们就是有这种需求，那就可以将另外两个线程配置成守护线程，主线程结束，他们也立刻结束。

learn_thread.setDeamon(True)play_thread.setDeamon(True)# result:# learning Python started# playing Game started# [lasting for 0.015601158142089844s]

主线程逻辑执行完后就退出了，其他两个线程还没来得及打印消息也被一并终止了。

如果主线程需要等到两个线程执行完后再打印整个运行时间，就可以这么设置：

learn_thread.start()play_thread.start()# 主线程会在这里阻塞，创建出来的线程执行完后才继续往下执行learn_thread.join()play_thread.join()end_time = time.time()span = end_time - start_timeprint("[lasting for {time_span}s]".format(time_span=span))# result:# learning Python started# playing Game started# learning Python end# playing Game end# [lasting for 4.003938436508179s]

现在总的运行时间是 4s，意味着主线程等待了两个子线程的运行，而且两个子线程是同步执行的，2s + 4s = max(2s, 4s)。

通过继承Thread实现多线程

import threadingclass LearnThread(threading.Thread):  def __init__(self, obj): self.sth = obj # 处理一下参数问题 super().__init__() # 委托给父类完成创建 # 这个函数在 start() 之后会自动调用，里面写主要的业务逻辑 def run(self): print("learning {sth} started".format(sth=self.sth)) time.sleep(2) print("learning {sth} end".format(sth=self.sth))

用同样的逻辑实现PlayThread子线程类，最后结果如下：

...# 创建两个线程实例learn_thread = LearnThread("Python")play_thread = PlayThread("BasketBall")start_time = time.time()# 启动线程，开始执行learn_thread.start()play_thread.start()learn_thread.join()play_thread.join()end_time = time.time()span = end_time - start_timeprint("[lasting for {time_span}s]".format(time_span=span))# result:# learning Python started# playing BasketBall started# learning Python end# playing BasketBall end# [lasting for 4.0020973682403564s]

这种方式更加灵活，在线程内可以自定义我们的逻辑，如果线程非常复杂，这样写可以使程序更加模块化，也更容易后续维护。

线程间的通信

引言

如果程序中有多个线程，他们的推进顺序可能相互依赖，a线程执行到某一阶段后，b线程才能开始执行，b线程执行完毕后，a线程才能继续进行。

这样一种情况之下，线程之间就要进行通信，才能保证程序的正常运行。

通过共享变量来实现

线程安全不能保证，不推荐，就不详细讲解了。

通过Queue来进行线程通信

思路和共享变量差不多，只不过这里使用的数据结构是经过封装的，是线程安全的，使用起来也更加方便。

import timeimport threadingfrom queue import Queue# 用来向 queue 中加入数据def append(q): for i in range(4): print("[append_thread] putting data {data} to q...".format(data=i)) q.put(i) time.sleep(1) q.put(None) # end flag# 用来向 queue 中取出数据def pop(q): while True: data = q.get() if data is None: print("[pop_thread] all clear in the queue") q.task_done() break else: print("[pop_thread] get data {d}".format(d=data)) time.sleep(3) q.task_done() q = Queue(2)append_thread = threading.Thread(target=append, args=(q,))pop_thread = threading.Thread(target=pop, args=(q,))append_thread.start()pop_thread.start()q.join() # 利用 queue 来阻塞主线程print("\n===Done===")# result:# [append_thread] putting data 0 to q...# [pop_thread] get data 0# [append_thread] putting data 1 to q...# [append_thread] putting data 2 to q...# [pop_thread] get data 1# [append_thread] putting data 3 to q...# [pop_thread] get data 2# [pop_thread] get data 3# [pop_thread] all clear in the queue# ===Done===

q = Queue(2)

这里创建了一个Queue类型对象，接收一个整数参数，告知队列的容量，如果传入一个非正数，容量默认是正无穷（当然，这取决于你电脑的配置情况）。

q.get(block=True, timeout=None)q.put(item, block=True, timeout=None)

这两个方法向队列中添加元素，或取出元素。默认情况下，如果队列满了，调用q.put()会进行阻塞，直到队列中有空位才放入元素，完成整个函数调用。可以设置block=False将它转为非阻塞调用，如果队列满了，则直接引发一个Full exception，通过timeout来设置一定的等待时间，如果在阻塞等待时间内任然没空位放入元素，再抛出异常。q.get()方法逻辑类似，抛出异常Empty exception

q.task_done()q.join()

q.join()通过队列来阻塞主线程，队列内部有一个计数器，每放入一个元素，计数器加一，当计数器重新归零后，解除阻塞。q.task_done()就是将计数器减一的，一般和q.get()配合使用，如果使用过量，导致计数器 小于0 ，则引发ValueError Exception

q.qsize() # 获得队列中的元素个数q.empty() # 队列是否为空q.full() # 队列是否满

引言

再回到最开始的GIL案例，两个线程，其中一个对全局变量进行一百万次加1运算，另外一个进行一百万次减1运算。最后全局变量的值是几乎随机的，与我们预想的 0

并不相同。因为两个线程是异步修改这个变量，不能保证某一时刻的取值就是正确的。

因此，要对线程进行同步控制，当一个线程操作时，另一个等待，然后交换执行。

使用Lock

import threadingsum = 0lock = threading.Lock()def add(): global sum for i in range(1000000): lock.acquire() # lock here sum += 1 lock.release() # unlock heredef subtract(): global sum for i in range(1000000): lock.acquire() # lock here sum -= 1 lock.release() # unlock hereadd_thread = threading.Thread(target=add)sub_thread = threading.Thread(target=subtract)add_thread.start()sub_thread.start()add_thread.join()sub_thread.join()print(sum)# result:# 0

通过Lock，我们可以在执行相关代码之前申请锁，将一段代码逻辑锁起来，锁资源全局只有一个，一个线程申请了另外一个就不能够申请，它要等到资源释放后才能申请。因此，就保证了同一时刻只有一个线程拿到锁，只有一个线程能够进行变量的修改。

这种方式比较影响性能，获取锁和释放锁都需要时间，也可能引起死锁问题，连续两次执行lock.acquire()就可以引发死锁，死锁可以通过另外一个线程来解开。这也是后面使用Condition的一个核心理念。

import threadinglock = threading.Lock()def dead_lock(lock): lock.acquire() lock.acquire() # 直接调用两次会死锁这个线程 print("unlock")def un_lock(lock): lock.release() # 用这个线程来开锁dead_lock_thread = threading.Thread(target=dead_lock, args=(lock,))un_lock_thread = threading.Thread(target=un_lock, args=(lock,))dead_lock_thread.start() # 注意调用顺序un_lock_thread.start() # 通过它，死锁的线程会被打开，继续执行打印结果# result:# unlock

使用RLock

在同一个线程中，可以连续多次调用lock.acquire()，注意最后获取锁和释放锁的次数要相同。

lock = threading.RLock()def add(): global sum for i in range(1000000): lock.acquire() # lock here  do_sth(lock) # 在对变量 +1 之前，要对变量做其他操作，在函数中可以再次加锁  sum += 1 lock.release() # unlock here

使用Condition

底层使用 RLock 实现的，实现了上下文管理器协议，可以用with语句进行操作，不用担心acquire()和release()的问题。

import threadingmsg = []conn = threading.Condition()def repeater_one(conn): with conn: global msg for i in range(3): data = "小伙子，没想到你也是复读机 ({idx})".format(idx=i) msg.append(data) print("[one]:", data) conn.notify() conn.wait()def repeater_two(conn): with conn: global msg for i in range(3): conn.wait() data = msg.pop() print("[two]:", data) conn.notify()repeater_one_thread = threading.Thread(target=repeater_one, args=(conn,))repeater_two_thread = threading.Thread(target=repeater_two, args=(conn,))# 注意启动的顺序非常重要repeater_two_thread.start()repeater_one_thread.start()# result:# [one]: 小伙子，没想到你也是复读机 (0)# [two]: 小伙子，没想到你也是复读机 (0)# [one]: 小伙子，没想到你也是复读机 (1)# [two]: 小伙子，没想到你也是复读机 (1)# [one]: 小伙子，没想到你也是复读机 (2)# [two]: 小伙子，没想到你也是复读机 (2)

这里实现了两个复读机线程，一个线程打印完数据后，另外一个线程进行复述，数据保留在全局变量msg中，通过Condition来协调两个线程的访问顺序，实现复读效果。

这种控制方式的思想就是当满足了某些条件，线程才能继续运行下去，否则，线程会一直阻塞，直到条件被满足。

conn.notify()conn.wait()

当条件满足是，使用notify()用来唤醒等待的线程，要等待条件时，再使用wait()进行阻塞。repeater one首先说一句话，然后唤醒repeater two，自身进入等待状态；repeater two等到有人说话后，进行复读，然后唤醒repeater one再次说话，自身进入等待状态。要保证的是，每一时刻，只能有一个线程处于等待状态，否则两个线程都会被阻塞。因此，线程启动的顺序和阻塞唤醒条件非常重要。

with conn: # todo # 或者conn.require()# todoconn.release()

这里直接使用with语句，省略了一些逻辑，也可以使用完整的写法，但是要注意操作的匹配。

Condition的底层其实使用了两层锁，当我们在一个线程中调用require()的时候，内部维护的一个锁（Rlock）会自动锁上，另外一个线程在调用require()时，就会被阻塞。

下面是wait()的主要逻辑，调用wait()会将锁打开self._release_save()，这就允许了另外一个线程调用require()，同时建立第二层锁，waiter，将它加入到队列（底层是 deque）中，每调用一次就会产生一把锁，同时调用waiter.acquire()，接着在后面，会用各种逻辑判断再次调用waiter.acquire()，前面讲过，连续两次调用会造成这个线程的阻塞。 那这个锁在哪里打开呢？在另外一个线程的notify()方法中，这个锁打开了，它就可以继续往下运行了。

使用Semaphore

用来控制资源使用数量的锁，对于文件来说，读操作可以有多个线程同时进行，共享文件资源，而写操作，就只能有一个线程来独占资源，一般用来控制线程的并发数量。

现在我们来控制读线程的并发数量，每一时刻只有 3 个线程在工作，而且工作时间是 2s，总共有10个读线程要完成操作。

import threadingimport timesem = threading.Semaphore(3) # 指明信号的数量def read(sem): sem.acquire() # 拿到信号 print("doing reading staff...") time.sleep(2) sem.release() # 释放信号for i in range(7): read_thread = threading.Thread(target=read, args=(sem,)) read_thread.start()"""最后的结果是每两秒就有三个线程开始读操作"""# result:# doing reading staff...# doing reading staff...# doing reading staff...# doing reading staff...# doing reading staff...# doing reading staff...# doing reading staff...

Semaphore的底层是使用Condition进行实现的，内部维护了一个_value变量，用来计数。

acquire()和release()内部的逻辑有些改变，在申请资源时，首先要看_value的值有没有减到 0 ，如果有，再有线程执行acquire()就会执行wait()进行阻塞，资源释放时要增加_value的值，同时使用notify()唤醒队列中等待的一个线程。

concurrent线程池

引言

为什么要线程池呢？回看上面的Semaphore例子，我们定义了一个数量为 3 的信号量，保证了同一时刻只有 3 个线程存在于内存中。但是从程序开始运行到结束，我们一共使用过 7 个线程range(7)，完成了 7 次同样的读操作，也就是说创建了 7 次线程，又销毁了 7 次线程。如果每个线程的执行时间非常短，又需要创建大量的线程，那么资源都在创建/销毁线程的过程中被消耗了。

能不能总共就使用 3 个线程达到同样的效果呢？每个线程多做几次同样的操作逻辑就可以了，concurrent.futures就提供了这样的管理方案，同时，还有下面这些优点：

主线程中可以获取某一个线程状态或者一个任务的状态，还有返回值。当一个线程完成工作后，主线程能立刻知道。futures使得多线程和多进程编码接口一致。

使用案例

from concurrent.futures import ThreadPoolExecutorimport timedef read(sth): print("Reading {sth}...".format(sth=sth)) time.sleep(1) return "{sth} done".format(sth=sth)executor = ThreadPoolExecutor(2) # 创建一个可以容纳 两个 线程的线程池if __name__ == "__main__": task_one = executor.submit(read, "books") task_two = executor.submit(read, "newspaper") task_three = executor.submit(read, "comics") print(task_one.done()) time.sleep(4) print(task_two.done()) print(task_three.done()) # result:# Reading books...# Reading newspaper...# False# Reading comics...# True# True

executor = ThreadPoolExecutor(2)

这里创建了一个容纳两个线程的线程池，如果不指定线程数量参数，它会以 5倍 cpu内核数量作为默认值。Python3在3.5, 3.6, 3.7版本的更新中都加入了可选参数，可以查看官方文档熟悉新的使用方式。

submit(fn, *args, **kwargs)task_one = executor.submit(read, "books") # reture Future objecttask_two = executor.submit(read, "newspaper")task_three = executor.submit(read, "comics")

这里使用submit()方法向线程池中提交任务，提交的任务数量可以大于线程池中申请的线程数量。第一个参数是任务函数，后面依次列出参数。一旦任务被提交，线程池中的线程自动进行调度，直到所有提交任务的完成。提交任务后，会返回一个Future对象。

"""Future 类型对象会在 submit() 函数调用之后返回"""future.done() # 如果提交的任务完成，这个方法会返回 Truefuture.cancel() # 取消任务执行，如果任务已经调度执行，就不能取消future.result() # 返回任务函数执行后的返回结果

在main中加入新的逻辑：

...print(task_one.result()) # 这些都是阻塞式调用，获得结果后才会继续向下执行print(task_two.result())print(task_three.result())# result:# books done# newspaper done# comics done

上面的写法其实比较麻烦，如果向线程池中提交的任务过多，这样操作每个Future对象会相当繁琐。可以批量进行任务的提交，将Future对象加入一个列表进行管理，配合使用模块中的as_complete函数，可以一次性获得所有执行完成任务函数的Future对象。

from concurrent.futures import as_completed...# ---修改main中的逻辑items = ["books", "newspaper", "comics"]task_list = [executor.submit(read, item) for item in items]for future in as_completed(task_list): print(future.result())  # result:# newspaper done# books done# comics done

核心逻辑中，as_complete()将已经执行完的任务函数对应的Future对象通过yield进行返回，这里完成的顺序和任务提交的顺序并不一样，和内部的调度逻辑有关，我多次执行结果没有完全一样。这里的yield逻辑是在一定的条件下才会发生的，因此，只要有线程没有运行完，就无法yield结果，会在for这里进行阻塞，等到所有任务执行完毕之后，for结束。

还有一种更加简洁的办法，在executor中，有一个和Python内置函数map()逻辑相似的函数。它将任务函数和参数进行一一匹配调用，直接返回future.result()对象。这种方式是顺序进行调度的，完成顺序总是：books，newspaper， comics

...items = ["books", "newspaper", "comics"]for res in executor.map(read, items): print(res)

补充

wait()函数

用来让主线程在不同条件下等待线程池中线程的运行。

def wait(fs, timeout=None, return_when=ALL_COMPLETED): """ 1. fs: Futures 对象的序列，当他们对应的任务函数都完成后，解除阻塞 2. timeout: 等待的时间，超过时间就不等了 3. return_when FIRST_COMPLETED: 任何一个任务函数完成 FIRST_EXCEPTION: 任何一个任务函数执行时抛异常 ALL_COMPLETED: 所有都完成  3个参数条件，哪个先满足就直接解除阻塞

from concurrent.futures import ThreadPoolExecutor, waitimport timedef read(times): time.sleep(times) print("read for {span}s".format(span=times))executor = ThreadPoolExecutor(2)time_list = [1, 2, 3, 4]task_list = [executor.submit(read, times) for times in time_list]print("done")# result:# done# read for 1s# read for 2s# read for 3s# read for 4s

这里修改了read()函数的逻辑，由读不同的内容改为读不同的时间长度。这里主线程没有等待线程池中的任务，提交任务后直接执行了print()。

...wait(task_list)print("done")# result:# read for 1s# read for 2s# read for 3s# read for 4s# done

...wait(task_list, 2) # 就等两秒钟print("done")# read for 1s# read for 2s# done# read for 3s# read for 4s

from concurrent.futures import FIRST_COMPLETED # 注意常量值的使用，选一种合适的方法进行导入使用# from concurrent import futures# futures.FIRST_COMPLETED...wait(task_list, return_when=FIRST_COMPLETED)print("done")# result:# read for 1s# done# read for 2s# read for 3s# read for 4s

Future对象

未来对象？随便叫啥吧。前面也看到过，通过submit()提交任务函数后，就会返回这么一个对象，可以通过它来监控运行我们任务函数的那个线程：判断是否运行完成、得到返回值等。

从源码中，可以看出，任务提交之后，先创建了一个Future类型对象f，然后将这个对象连同我们提交的任务参数一起委托给了_WorkItem()，之后也返回一个对象w，将它加入队列self._work_queue，这应该就是内部调度的逻辑了，最后返回f。

_adjust_thread_count()用来创建出我们需要的线程数量，并且target=worker，参数列表中有self._work_queue作为参数。_threads是用来存放线程的一个集合。我们提交的不同任务函数怎么变成了一个_worker函数呢？

_worker的主要逻辑中，有一个循环，从self._work_queue中不断取出一个任务，它是_WorkItem类型的，在submit()函数中加入，然后调用它的run()方法，随后del work_item将它删除。多个任务线程读取的是同一个任务队列，直到任务全部完成。

在_WorkItem中，它的run()方法调用了我们提交的任务函数fn，并且记录了它的返回值，进行了一些异常处理。

shutdown()

前面都在讲线程池的使用方法和工作原理，还有一个细节需要补充的就是executor的shutdown()方法。

它是用来关闭线程池，如果在关闭之后继续向里面提交任务，会抛出一个异常。调用之后，self._work_queue.put(None)往任务队列中加入了一个标记，当线程调度时拿到这个标志就知道任务结束了，这与在前面使用Queue进行线程间通信的案例用了同样的方式。

有一个可选参数wait，如果它是True，则主线程在这里阻塞，等待所有线程完成任务。如果是False，主线程继续向下执行。

可以使用with语句，当所有的任务完成之后自动调用shutdown()，这里就不再多举例子，官方文档 给出了一个经典的例子，以作参考。

注：喜欢python + qun：839383765 可以获取Python各类免费最新入门学习资料！