进程和线程

现在多核CPU已经非常普及了但是即使过去的单核CPU也可以执行多任务。由于CPU执行代码都是顺序执行的那么单核CPU是怎么执行多任务的呢

答案就是操作系统轮流让各个任务交替执行任务1执行0.01秒切换到任务2任务2执行0.01秒再切换到任务3执行0.01秒……这样反复执行下去。表面上看每个任务都是交替执行的但是由于CPU的执行速度实在是太快了我们感觉就像所有任务都在同时执行一样。

真正的并行执行多任务只能在多核CPU上实现但是由于任务数量远远多于CPU的核心数量所以操作系统也会自动把很多任务轮流调度到每个核心上执行。

---

对于操作系统来说一个任务就是一个进程Process比如打开一个浏览器就是启动一个浏览器进程打开一个记事本就启动了一个记事本进程打开两个记事本就启动了两个记事本进程打开一个Word就启动了一个Word进程。

有些进程还不止同时干一件事比如Word它可以同时进行打字、拼写检查、打印等事情。在一个进程内部要同时干多件事就需要同时运行多个“子任务”我们把进程内的这些“子任务”称为线程Thread。

由于每个进程至少要干一件事所以一个进程至少有一个线程。当然像Word这种复杂的进程可以有多个线程多个线程可以同时执行多线程的执行方式和多进程是一样的也是由操作系统在多个线程之间快速切换让每个线程都短暂地交替运行看起来就像同时执行一样。当然真正地同时执行多线程需要多核CPU才可能实现。

多任务的实现有3种方式

• 多进程模式
• 多线程模式
• 多进程+多线程模式。

线程是最小的执行单元而进程由至少一个线程组成。如何调度进程和线程完全由操作系统决定程序自己不能决定什么时候执行执行多长时间。

多进程和多线程的程序涉及到同步、数据共享等问题

多进程

​ Unix/Linux操作系统提供了一个fork()系统调用它非常特殊。普通的函数调用调用一次返回一次但是**fork()调用一次返回两次**因为操作系统自动把当前进程称为父进程复制了一份称为子进程然后分别在父进程和子进程内返回。

​ 子进程永远返回0而父进程返回子进程的ID。这样做的理由是一个父进程可以fork出很多子进程所以父进程要记下每个子进程的ID而子进程只需要调用getppid()就可以拿到父进程的ID。

​ Python的os模块封装了常见的系统调用其中就包括fork可以在Python程序中轻松创建子进程

import os

print('Process (%s) start...' % os.getpid())
# Only works on Unix/Linux/Mac:
pid = os.fork()
if pid == 0:
    print('I am child process (%s) and my parent is %s.' % (os.getpid(), os.getppid()))
else:
    print('I (%s) just created a child process (%s).' % (os.getpid(), pid))

运行结果如下

Process (876) start...
I (876) just created a child process (877).
I am child process (877) and my parent is 876.

由于Windows没有fork调用上面的代码在Windows上无法运行。

有了fork调用一个进程在接到新任务时就可以复制出一个子进程来处理新任务常见的Apache服务器就是由父进程监听端口每当有新的http请求时就fork出子进程来处理新的http请求。

---

multiprocessing

由于Windows没有fork调用在Windows上使用multiprocessing模块编写多进程的程序。

multiprocessing模块提供了一个Process类来代表一个进程对象下面的例子演示了启动一个子进程并等待其结束

from multiprocessing import Process
import os

# 子进程要执行的代码
def run_proc(name):
    print('Run child process %s (%s)...' % (name, os.getpid()))

if __name__=='__main__':
    print('Parent process %s.' % os.getpid())
    p = Process(target=run_proc, args=('test',)) # 创建子进程时只需要传入一个执行函数和函数的参数
    print('Child process will start.')
    p.start() # 用`start()`方法启动
    p.join() # 可以等待子进程结束后再继续往下运行通常用于进程间的同步
    print('Child process end.')

执行结果如下

Parent process 928.
Child process will start.
Run child process test (929)...
Process end.

创建子进程时只需要传入一个执行函数和函数的参数创建一个Process实例用start()方法启动这样创建进程比fork()还要简单。

join()方法可以等待子进程结束后再继续往下运行通常用于进程间的同步。

Pool

如果要**启动大量的子进程**可以用进程池的方式批量创建子进程

from multiprocessing import Pool
import os, time, random

def long_time_task(name):
    print('Run task %s (%s)...' % (name, os.getpid()))
    start = time.time()
    time.sleep(random.random() * 3)
    end = time.time()
    print('Task %s runs %0.2f seconds.' % (name, (end - start)))

if __name__=='__main__':
    print('Parent process %s.' % os.getpid())
    p = Pool(7)     # 同时执行4个进程
    for i in range(4):
        p.apply_async(long_time_task, args=(i,))
    print('Waiting for all subprocesses done...')
    '''
    对Pool对象调用join()方法会等待所有子进程执行完毕所以调用join()之前必须先调用close()调用close()之后就不能继续添加新的Process了
    '''
    p.close()
    p.join()
    print('All subprocesses done.')

执行结果如下

Parent process 669.
Waiting for all subprocesses done...
Run task 0 (671)...
Run task 1 (672)...
Run task 2 (673)...
Run task 3 (674)...
Task 2 runs 0.14 seconds.
Run task 4 (673)...
Task 1 runs 0.27 seconds.
Task 3 runs 0.86 seconds.
Task 0 runs 1.41 seconds.
Task 4 runs 1.91 seconds.
All subprocesses done.

代码解读

对Pool对象调用join()方法会等待所有子进程执行完毕调用join()之前必须先调用close()调用close()之后就不能继续添加新的Process了。

请注意输出的结果task 0123是立刻执行的而task 4要等待前面某个task完成后才执行这是因为Pool的默认大小在我的电脑上是4因此最多同时执行4个进程。这是Pool有意设计的限制并不是操作系统的限制。如果改成p = Pool(5)就可以同时跑5个进程。

由于Pool的默认大小是CPU的核数如果你不幸拥有8核CPU你要提交至少9个子进程才能看到上面的等待效果。

子进程【subprocess模块之Popen】

很多时候子进程并不是自身而是一个外部进程。我们创建了子进程后还需要控制子进程的输入和输出。

subprocess模块可以让我们非常方便地启动一个子进程然后控制其输入和输出。

[]:

进程间通信

​ Process之间肯定是需要通信的操作系统提供了很多机制来实现进程间的通信。Python的multiprocessing模块包装了底层的机制提供了Queue、Pipes等多种方式来交换数据。

以Queue为例在父进程中创建两个子进程一个往Queue里写数据一个从Queue里读数据

from multiprocessing import Process, Queue
import os, time, random

# 写数据进程执行的代码:
def write(q):
    print('Process to write: %s' % os.getpid())
    for value in ['A', 'B', 'C']:
        print('Put %s to queue...' % value)
        q.put(value)
        time.sleep(random.random())

# 读数据进程执行的代码:
def read(q):
    print('Process to read: %s' % os.getpid())
    while True:
        value = q.get(True)
        print('Get %s from queue.' % value)

if __name__=='__main__':
    # 父进程创建Queue并传给各个子进程
    q = Queue()
    pw = Process(target=write, args=(q,))
    pr = Process(target=read, args=(q,))
    # 启动子进程pw写入:
    pw.start()
    # 启动子进程pr读取:
    pr.start()
    # 等待pw结束:
    pw.join()
    # pr进程里是死循环无法等待其结束只能强行终止:
    pr.terminate()

Process to write: 50563
Put A to queue...
Process to read: 50564
Get A from queue.
Put B to queue...
Get B from queue.
Put C to queue...
Get C from queue.

​ 在Unix/Linux下multiprocessing模块封装了fork()调用使我们不需要关注fork()的细节。由于Windows没有fork调用因此multiprocessing需要“模拟”出fork的效果父进程所有Python对象都必须通过pickle序列化再传到子进程去所以如果multiprocessing在Windows下调用失败了要先考虑是不是pickle失败了。

多线程

多任务可以由多进程完成也可以由一个进程内的多线程完成。

我们前面提到了进程是由若干线程组成的一个进程至少有一个线程。

由于线程是操作系统直接支持的执行单元因此高级语言通常都内置多线程的支持Python也不例外并且Python的线程是真正的Posix Thread而不是模拟出来的线程。

Python的标准库提供了两个模块_thread和threading_thread是低级模块threading是高级模块对_thread进行了封装。绝大多数情况下我们只需要使用threading这个高级模块。

启动一个线程就是把一个函数传入并创建Thread实例然后调用start()开始执行

import time, threading

# 新线程执行的代码:
def loop():
    print('thread %s is running...' % threading.current_thread().name)
    n = 0
    while n < 5:
        n = n + 1
        print('thread %s >>> %s' % (threading.current_thread().name, n))
        time.sleep(1)
    print('thread %s ended.' % threading.current_thread().name)

print('thread %s is running...' % threading.current_thread().name)
t = threading.Thread(target=loop, name='LoopThread')
t.start()
t.join() # 等待t结束:
print('thread %s ended.' % threading.current_thread().name)

thread MainThread is running...
thread LoopThread is running...
thread LoopThread >>> 1
thread LoopThread >>> 2
thread LoopThread >>> 3
thread LoopThread >>> 4
thread LoopThread >>> 5
thread LoopThread ended.
thread MainThread ended.

​ 由于任何进程默认就会启动一个线程我们把该线程称为主线程MainThread主线程又可以启动新的线程Python的threading模块有个current_thread()函数它永远返回当前线程的实例。主线程实例的名字叫MainThread子线程的名字在创建时指定我们用LoopThread命名子线程。名字仅仅在打印时用来显示完全没有其他意义如果不起名字Python就自动给线程命名为Thread-1Thread-2……

Lock

​ 多线程和多进程最大的不同在于多进程中同一个变量各自有一份拷贝存在于每个进程中互不影响而多线程中所有全局变量都由所有线程共享所以任何一个变量都可以被任何一个线程修改因此线程之间共享数据最大的危险在于多个线程同时改一个变量把内容给改乱了。

先存后取理论上结果应该为0但是由于线程的调度是由操作系统决定的当t1、t2交替执行时只要循环次数足够多balance的结果就不一定是0了

所以我们就需要对由于同步而可能出现的操作进行**上锁操作**。创建一个锁就是通过==threading.Lock()==来实现

​ 获得锁的线程用完后一定要释放锁否则那些苦苦等待锁的线程将永远等待下去成为死线程。所以我们用try...finally来确保锁一定会被释放。

​ 锁的好处就是确保了某段关键代码只能由一个线程从头到尾完整地执行坏处当然也很多首先是阻止了多线程并发执行包含锁的某段代码实际上只能以单线程模式执行效率就大大地下降了。其次由于可以存在多个锁不同的线程持有不同的锁并试图获取对方持有的锁时可能会造成死锁导致多个线程全部挂起既不能执行也无法结束只能靠操作系统强制终止。

多核CPU

启动与CPU核心数量相同的N个线程在4核CPU上可以监控到CPU占用率仅有102%也就是仅使用了一核。

但是用C、C++或Java来改写相同的死循环直接可以把全部核心跑满4核就跑到400%8核就跑到800%为什么Python不行呢

因为Python的线程虽然是真正的线程但解释器执行代码时有一个GIL锁Global Interpreter Lock任何Python线程执行前必须先获得GIL锁然后每执行100条字节码解释器就自动释放GIL锁让别的线程有机会执行。这个GIL全局锁实际上把所有线程的执行代码都给上了锁所以多线程在Python中只能交替执行即使100个线程跑在100核CPU上也只能用到1个核。

GIL是Python解释器设计的历史遗留问题通常我们用的解释器是官方实现的CPython要真正利用多核除非重写一个不带GIL的解释器。

所以在Python中可以使用多线程但不要指望能有效利用多核。如果一定要通过多线程利用多核那只能通过C扩展来实现不过这样就失去了Python简单易用的特点。

不过也不用过于担心Python虽然不能利用多线程实现多核任务但可以通过多进程实现多核任务。多个Python进程有各自独立的GIL锁互不影响。

ThreadLocal

一个ThreadLocal变量虽然是全局变量但每个线程都只能读写自己线程的独立副本互不干扰。ThreadLocal解决了参数在一个线程中各个函数之间互相传递的问题。

ThreadLocal vs 局部变量

局部变量的作用域是在函数体内同一线程下的多个函数使用需要对局部变量进行传参。

LocalThread的作用是在同一进程中的所有线程可以使用各自该变量的副本同时单独线程内的各函数对独属于本线程的变量副本实现共享各函数间不需要传参即可使用。【同一进程内互相独立、进程内的不同线程之间共享】

​ 在多线程环境下每个线程都有自己的数据。一个线程使用自己的局部变量比使用全局变量好因为==局部变量只有线程自己能看见不会影响其他线程==而全局变量的修改必须加锁。

但是局部变量也有问题就是在函数调用的时候传递起来很麻烦

def process_student(name):
    std = Student(name)
    # std是局部变量但是每个函数都要用它因此必须传进去
    do_task_1(std)
    do_task_2(std)

def do_task_1(std):
    do_subtask_1(std)
    do_subtask_2(std)

def do_task_2(std):
    do_subtask_2(std)
    do_subtask_2(std)

每个函数一层一层调用都这么传参数那还得了用全局变量也不行因为每个线程处理不同的Student对象不能共享。

---

利用ThreadLocal

import threading
    
# 创建全局ThreadLocal对象:
local_school = threading.local()

def process_student():
    # 获取当前线程关联的student:
    std = local_school.student
    print('Hello, %s (in %s)' % (std, threading.current_thread().name))

def process_thread(name):
    # 绑定ThreadLocal的student:
    local_school.student = name  # 可以理解为全局变量local_school是一个dict
    process_student()

t1 = threading.Thread(target= process_thread, args=('Alice',), name='Thread-A')
t2 = threading.Thread(target= process_thread, args=('Bob',), name='Thread-B')
t1.start()
t2.start()
t1.join()
t2.join()

执行结果

Hello, Alice (in Thread-A)
Hello, Bob (in Thread-B)

​ 全局变量local_school就是一个ThreadLocal对象每个Thread对它都可以读写student属性但互不影响。你可以把local_school看成全局变量但每个属性如local_school.student都是线程的局部变量可以任意读写而互不干扰也不用管理锁的问题ThreadLocal内部会处理。

​ 可以理解为全局变量local_school是一个dict不但可以用local_school.student还可以绑定其他变量如local_school.teacher等等。

ThreadLocal最常用的地方就是为每个线程绑定一个数据库连接HTTP请求用户身份信息等这样一个线程的所有调用到的处理函数都可以非常方便地访问这些资源。

进程 vs. 线程

两种方式的优缺点

首先要实现多任务通常我们会设计Master-Worker模式Master负责分配任务Worker负责执行任务因此多任务环境下通常是一个Master多个Worker。

如果用多进程实现Master-Worker主进程就是Master其他进程就是Worker。

如果用多线程实现Master-Worker主线程就是Master其他线程就是Worker。

---

	优点	缺点
多进程模式	最大的优点就是稳定性高因为一个子进程崩溃了不会影响主进程和其他子进程。当然主进程挂了所有进程就全挂了但是Master进程只负责分配任务挂掉的概率低著名的Apache最早就是采用多进程模式	创建进程的代价大在Unix/Linux系统下用fork调用还行在Windows下创建进程开销巨大。另外操作系统能同时运行的进程数也是有限的在内存和CPU的限制下如果有几千个进程同时运行操作系统连调度都会成问题。
多线程模式	通常比多进程快一点但是也快不到哪去	致命的缺点就是任何一个线程挂掉都可能直接造成整个进程崩溃因为所有线程共享进程的内存。在Windows上如果一个线程执行的代码出了问题你经常可以看到这样的提示“该程序执行了非法操作即将关闭”其实往往是某个线程出了问题但是操作系统会强制结束整个进程。

线程切换

无论是多进程还是多线程只要数量一多效率肯定上不去

切换作业是有代价的

操作系统在切换进程或者线程时也是一样的它需要先保存当前执行的现场环境CPU寄存器状态、内存页等然后把新任务的执行环境准备好恢复上次的寄存器状态切换内存页等才能开始执行。这个切换过程虽然很快但是也需要耗费时间。如果有几千个任务同时进行操作系统可能就主要忙着切换任务根本没有多少时间去执行任务了这种情况最常见的就是硬盘狂响点窗口无反应系统处于假死状态。

计算密集型 vs. IO密集型

是否采用多任务的第二个考虑是任务的类型。我们可以把任务分为计算密集型和IO密集型。

	特点	缺点	补充
计算密集型任务	要进行大量的计算消耗CPU资源比如计算圆周率、对视频进行高清解码等等全靠CPU的运算能力	虽然也可以用多任务完成但是任务越多花在任务切换的时间就越多CPU执行任务的效率就越低	所以要最高效地利用CPU计算密集型任务同时进行的数量应当等于CPU的核心数	对于计算密集型任务最好用C语言编写
IO密集型	涉及到网络、磁盘IO的任务都是IO密集型任务这类任务的特点是CPU消耗很少任务的大部分时间都在等待IO操作完成因为IO的速度远远低于CPU和内存的速度	任务执行期间99%的时间都花在IO上花在CPU上的时间很少	对于IO密集型任务任务越多CPU效率越高但也有一个限度	对于IO密集型任务最合适的语言就是开发效率最高代码量最少的语言脚本语言是首选C语言最差。

异步IO

​ 考虑到CPU和IO之间巨大的速度差异一个任务在执行的过程中大部分时间都在等待IO操作单进程单线程模型会导致别的任务无法并行执行因此我们才需要多进程模型或者多线程模型来支持多任务并发执行。

现代操作系统对IO操作已经做了巨大的改进最大的特点就是支持异步IO。如果充分利用操作系统提供的异步IO支持就可以用单进程单线程模型来执行多任务这种全新的模型称为事件驱动模型Nginx就是支持异步IO的Web服务器它在单核CPU上采用单进程模型就可以高效地支持多任务。在多核CPU上可以运行多个进程数量与CPU核心数相同充分利用多核CPU。由于系统总的进程数量十分有限因此操作系统调度非常高效。用异步IO编程模型来实现多任务是一个主要的趋势。

对应到Python语言单线程的异步编程模型称为协程有了协程的支持就可以基于事件驱动编写高效的多任务程序。我们会在后面讨论如何编写协程。

分布式进程

​ 在Thread和Process中应当优选Process因为Process更稳定而且Process可以分布到多台机器上而Thread最多只能分布到同一台机器的多个CPU上。

​ Python的==multiprocessing模块不但支持多进程其中**managers子模块**还支持把多进程分布到多台机器上==。一个服务进程可以作为调度者将任务分布到其他多个进程中依靠网络通信。由于managers模块封装很好不必了解网络通信的细节就可以很容易地编写分布式多进程程序。

参考:

https://blog.csdn.net/u011318077/article/details/88094583