当前位置：首页 > news >正文

python基础语法14-多线程与多进程

news 来源：原创 2025/6/26 6:47:02

Python 多线程与多进程详解

在 Python 中，多线程和多进程是常用的并发编程技术，它们可以帮助程序在处理大量任务时提高效率。Python 提供了多个模块来支持多线程和多进程的开发，包括 threading、multiprocessing 和 asyncio。本文将详细介绍这些模块的基本用法和它们的应用场景。

1. 多线程：`threading` 模块

多线程（Multithreading）是一种轻量级的并发机制，允许程序同时执行多个任务。Python 中的 threading 模块提供了用于创建和管理线程的功能。多线程适合于 I/O 密集型任务，比如文件读取、网络请求等。

1.1 创建线程

我们可以通过 threading.Thread 类创建新线程，并使用 start() 启动线程，使用 join() 等待线程结束。

import threading
import time

def print_numbers():
    for i in range(5):
        time.sleep(1)
        print(i)

# 创建线程
thread = threading.Thread(target=print_numbers)
# 启动线程
thread.start()
# 等待线程结束
thread.join()

print("Thread has finished.")

输出：

0
1
2
3
4
Thread has finished.

1.2 线程同步与锁

在多线程环境下，多个线程可能会访问共享资源。为了避免数据竞争和不一致性，可以使用锁（Lock）来保证同一时刻只有一个线程可以访问共享资源。

import threading

lock = threading.Lock()

def safe_print():
    with lock:
        for i in range(5):
            print(i)

threads = [threading.Thread(target=safe_print) for _ in range(2)]

for t in threads:
    t.start()

for t in threads:
    t.join()

1.3 GIL（全局解释器锁）

需要注意的是，Python 中的多线程并不适合 CPU 密集型任务，这是因为 Python 有全局解释器锁（GIL）。GIL 确保同一时刻只有一个线程执行 Python 字节码，从而限制了多线程的并行执行能力。在进行 CPU 密集型计算时，使用多进程比多线程更有效。

2. 多进程：`multiprocessing` 模块

多进程（Multiprocessing）是指通过创建多个进程来执行任务，每个进程拥有独立的内存空间，适用于 CPU 密集型任务，如大数据处理、图像处理等。Python 中的 multiprocessing 模块提供了创建和管理进程的功能。

2.1 创建进程

与多线程类似，我们可以通过 multiprocessing.Process 类来创建新进程。

import multiprocessing
import time

def print_numbers():
    for i in range(5):
        time.sleep(1)
        print(i)

# 创建进程
process = multiprocessing.Process(target=print_numbers)
# 启动进程
process.start()
# 等待进程结束
process.join()

print("Process has finished.")

输出：

0
1
2
3
4
Process has finished.

2.2 进程间通信

在多进程程序中，进程之间无法共享内存。multiprocessing 模块提供了队列（Queue）和管道（Pipe）来实现进程间通信。

import multiprocessing

def worker(q):
    q.put("Hello from the child process")

# 创建队列
queue = multiprocessing.Queue()
# 创建子进程
process = multiprocessing.Process(target=worker, args=(queue,))
process.start()
process.join()

# 获取子进程的结果
print(queue.get())  # 输出: Hello from the child process

2.3 共享内存

multiprocessing 模块也提供了共享内存功能，允许多个进程共享数据。可以使用 Value 或 Array 来实现共享内存。

import multiprocessing

def increment(shared_value):
    shared_value.value += 1

# 创建共享内存
shared_value = multiprocessing.Value('i', 0)

# 创建多个进程
processes = [multiprocessing.Process(target=increment, args=(shared_value,)) for _ in range(5)]

for p in processes:
    p.start()

for p in processes:
    p.join()

print(shared_value.value)  # 输出: 5

3. 异步编程：`asyncio` 模块

asyncio 是 Python 中的异步编程模块，适用于 I/O 密集型任务，特别是网络编程、数据库访问等场景。asyncio 通过事件循环（event loop）来调度任务，使得程序在执行 I/O 操作时不会阻塞，能够同时处理多个任务。

3.1 基本语法

asyncio 通过 async 和 await 关键字定义异步函数和调用异步任务。

import asyncio

async def print_numbers():
    for i in range(5):
        await asyncio.sleep(1)
        print(i)

# 创建事件循环并运行异步函数
asyncio.run(print_numbers())

输出：

3.2 并发执行多个任务

asyncio 允许我们同时运行多个异步任务。通过 asyncio.gather()，可以并发地执行多个异步任务。

async def task1():
    await asyncio.sleep(1)
    print("Task 1 finished")

async def task2():
    await asyncio.sleep(2)
    print("Task 2 finished")

async def task3():
    await asyncio.sleep(3)
    print("Task 3 finished")

# 并发执行多个任务
async def main():
    await asyncio.gather(task1(), task2(), task3())

asyncio.run(main())

输出：

Task 1 finished
Task 2 finished
Task 3 finished

3.3 异常处理

在异步编程中，异常也可以通过 try-except 语句捕获和处理。

async def task():
    try:
        await asyncio.sleep(1)
        raise ValueError("Something went wrong")
    except ValueError as e:
        print(f"Caught exception: {e}")

asyncio.run(task())

输出：

Caught exception: Something went wrong

4. 多线程 vs 多进程 vs 异步

特性	多线程 (`threading`)	多进程 (`multiprocessing`)	异步编程 (`asyncio`)
使用场景	I/O 密集型任务	CPU 密集型任务	I/O 密集型任务
并行性	受限于 GIL（Python Global Interpreter Lock）	真正的并行性（每个进程有独立的内存空间）	通过事件循环调度任务，不是并行
内存消耗	共享内存，轻量	每个进程都有独立内存	不占用额外内存，任务共享事件循环
适用情况	网络请求、文件操作等 I/O 操作	大规模数据处理，计算密集型任务	网络编程、数据库访问等 I/O 操作