标签：random 通过 多进程 cname 问题 func class 对象 预测
进程也是有死锁的
所谓死锁： 是指两个或两个以上的进程或线程在执行过程中，因争夺资源而造成的一种互相等待的现象，若无外力作用，
它们都将无法推进下去。此时称系统处于死锁状态或系统产生了死锁，这些永远在互相等待的进程称为死锁进程，
如下就是死锁
死锁------------------- from threading import Thread,Lock,RLock import time mutexA = Lock() mutexB = Lock() class MyThread(Thread): def run(self): self.f1() self.f2() def f1(self): mutexA.acquire() print(‘\033[33m%s 拿到A锁 ‘%self.name) mutexB.acquire() print(‘\033[45%s 拿到B锁 ‘%self.name) mutexB.release() mutexA.release() def f2(self): mutexB.acquire() print(‘\033[33%s 拿到B锁 ‘ % self.name) time.sleep(1) #睡一秒就是为了保证A锁已经被别人那到了 mutexA.acquire() print(‘\033[45m%s 拿到B锁 ‘ % self.name) mutexA.release() mutexB.release() if __name__ == ‘__main__‘: for i in range(10): t = MyThread() t.start() #一开启就会去调用run方法
那么怎么解决死锁现象呢？
解决方法，递归锁：在Python中为了支持在同一线程中多次请求同一资源，python提供了可重入锁RLock。
这个RLock内部维护着一个Lock和一个counter变量，counter记录了acquire的次数，从而使得资源可以被多次require。
直到一个线程所有的acquire都被release，其他的线程才能获得资源。上面的例子如果使用RLock代替Lock，则不会发生死锁
mutexA=mutexB=threading.RLock() #一个线程拿到锁，counter加1,该线程内又碰到加锁的情况，<br>则counter继续加1，这期间所有其他线程都只能等待，等待该线程释放所有锁，即counter递减到0为止
# 2.解决死锁的方法--------------递归锁 from threading import Thread,Lock,RLock import time mutexB = mutexA = RLock() class MyThread(Thread): def run(self): self.f1() self.f2() def f1(self): mutexA.acquire() print(‘\033[33m%s 拿到A锁 ‘%self.name) mutexB.acquire() print(‘\033[45%s 拿到B锁 ‘%self.name) mutexB.release() mutexA.release() def f2(self): mutexB.acquire() print(‘\033[33%s 拿到B锁 ‘ % self.name) time.sleep(1) #睡一秒就是为了保证A锁已经被别人拿到了 mutexA.acquire() print(‘\033[45m%s 拿到B锁 ‘ % self.name) mutexA.release() mutexB.release() if __name__ == ‘__main__‘: for i in range(10): t = MyThread() t.start() #一开启就会去调用run方法
Semaphore管理一个内置的计数器
Semaphore与进程池看起来类似，但是是完全不同的概念。
进程池：Pool(4)，最大只能产生四个进程，而且从头到尾都只是这四个进程，不会产生新的。
信号量：信号量是产生的一堆进程/线程，即产生了多个任务都去抢那一把锁
from threading import Thread,Semaphore,currentThread import time,random sm = Semaphore(5) #运行的时候有5个人 def task(): sm.acquire() print(‘\033[42m %s上厕所‘%currentThread().getName()) time.sleep(random.randint(1,3)) print(‘\033[31m %s上完厕所走了‘%currentThread().getName()) sm.release() if __name__ == ‘__main__‘: for i in range(20): #开了10个线程 ，这20人都要上厕所 t = Thread(target=task) t.start()
hread-1上厕所 Thread-2上厕所 Thread-3上厕所 Thread-4上厕所 Thread-5上厕所 Thread-3上完厕所走了 Thread-6上厕所 Thread-1上完厕所走了 Thread-7上厕所 Thread-2上完厕所走了 Thread-8上厕所 Thread-6上完厕所走了 Thread-5上完厕所走了 Thread-4上完厕所走了 Thread-9上厕所 Thread-10上厕所 Thread-11上厕所 Thread-9上完厕所走了 Thread-12上厕所 Thread-7上完厕所走了 Thread-13上厕所 Thread-10上完厕所走了 Thread-8上完厕所走了 Thread-14上厕所 Thread-15上厕所 Thread-12上完厕所走了 Thread-11上完厕所走了 Thread-16上厕所 Thread-17上厕所 Thread-14上完厕所走了 Thread-15上完厕所走了 Thread-17上完厕所走了 Thread-18上厕所 Thread-19上厕所 Thread-20上厕所 Thread-13上完厕所走了 Thread-20上完厕所走了 Thread-16上完厕所走了 Thread-18上完厕所走了 Thread-19上完厕所走了
线程的一个关键特性是每个线程都是独立运行且状态不可预测。如果程序中的其 他线程需要通过判断某个线程的状态来确定自己下一步的操作,这时线程同步问题就会变得非常棘手。为了解决这些问题,我们需要使用threading库中的Event对象。 对象包含一个可由线程设置的信号标志,它允许线程等待某些事件的发生。在 初始情况下,Event对象中的信号标志被设置为假。如果有线程等待一个Event对象, 而这个Event对象的标志为假,那么这个线程将会被一直阻塞直至该标志为真。一个线程如果将一个Event对象的信号标志设置为真,它将唤醒所有等待这个Event对象的线程。如果一个线程等待一个已经被设置为真的Event对象,那么它将忽略这个事件, 继续执行
from threading import Event Event.isSet() #返回event的状态值 Event.wait() #如果 event.isSet()==False将阻塞线程； Event.set() #设置event的状态值为True，所有阻塞池的线程激活进入就绪状态， 等待操作系统调度； Event.clear() #恢复
指定n秒后执行某操作
from threading import Timer
def func(n):
print(‘hello,world‘,n)
t = Timer(3,func,args=(123,)) #等待三秒后执行func函数，因为func函数有参数，那就再传一个参数进去
t.start()
queue队列 ：使用import queue，用法与进程Queue一样
queue.Queue(maxsize=0) #先进先出
View Codequeue.LifoQueue(maxsize=0)#先进后出
View Codequeue.PriorityQueue(maxsize=0) #存储数据时可设置优先级的队列
# ---------------- ‘‘‘3.put进入一个元组，元组的第一个元素是优先级 （通常也可以是数字，或者也可以是非数字之间的比较） 数字越小，优先级越高‘‘‘ q = queue.PriorityQueue() q.put((20,‘a‘)) q.put((10,‘b‘)) #先出来的是b,数字越小优先级越高嘛 q.put((30,‘c‘)) print(q.get()) print(q.get()) print(q.get())
1.多核也就是多个CPU
（1）cpu越多，提高的是计算的性能
（2）如果程序是IO操作的时候（多核和单核是一样的），再多的cpu也没有意义。
2.实现并发
第一种：一个进程下，开多个线程
第二种：开多个进程
3.多进程：
优点：可以利用多核
缺点：开销大
4.多线程
优点：开销小
缺点：不可以利用多核
5多进程和多进程的应用场景
1.计算密集型：也就是计算多，IO少
如果是计算密集型，就用多进程（如金融分析等）
2.IO密集型：也就是IO多，计算少
如果是IO密集型的，就用多线程（一般遇到的都是IO密集型的）
标签：random 通过 多进程 cname 问题 func class 对象 预测
原文地址：https://www.cnblogs.com/edison-chen/p/9777413.html
