Python并发编程(1)——Python并发编程的几种实现方式
左手编程，右手年华。大家好，我是一点，关注我，带你走入编程的世界。公众号：一点sir，关注领取python编程资料
Python 并发编程是指在 Python 中编写能够同时执行多个任务的程序。并发编程在任何一门语言当中都是比较难的，因为会涉及各种各样的问题，在Python当中也不例外。Python 提供了多种方式来实现并发，包括多线程（threading）、多进程（multiprocessing）、异步编程（asyncio），以及一些高级用法concurrent.futures和第三方库如gevent。
多线程 (Threading)
多线程是通过使用 threading 模块来创建和管理线程。线程是轻量级的过程，可以与同一进程中的其他线程共享数据和资源。然而，由于 Python 的全局解释器锁（GIL）的存在，如果用的解释器是CPython的话，那么多线程在 CPU 密集型任务上不会有性能提升的，但是IO密集型的是会有的。
import threading
import time
def worker(num):
print(f"Worker {num} starting")
time.sleep(2)
print(f"Worker {num} finished")
threads = []
for i in range(5):
t = threading.Thread(target=worker, args=(i,))
threads.append(t)
t.start()
# Wait for all threads to complete
for t in threads:
t.join()
print("All workers finished.")上面的例子中，通过threading模块中的Thread启动了另一个线程，输出中首先出现的是每个线程的启动消息，如 "Worker 0 starting"，然后是 "Worker 1 starting" 等等。
接下来是每个线程的完成消息，如 "Worker 0 finished"。由于线程的执行顺序不是固定的，因此实际输出中的线程完成顺序可能会有所不同。
全局解释器锁（GIL）是历史历史遗留下来的问题，在Python3.13可能会得到解决。
多进程 (Multiprocessing)
多进程则可以通过使用 multiprocessing 模块来创建独立的进程。每个进程都有自己的内存空间，因此可以绕过 GIL，适用于 CPU 密集型任务。
from multiprocessing import Process
import time
def worker(num):
print(f"Worker {num} starting")
time.sleep(2)
print(f"Worker {num} finished")
processes = []
for i in range(5):
p = Process(target=worker, args=(i,))
processes.append(p)
p.start()
# Wait for all processes to complete
for p in processes:
p.join()
print("All workers finished.")多进程与多线程示例类似，但这里是在不同的进程中执行。通过multiprocessing模块中的Process启动了另一个进程，每个进程开始和完成的消息按顺序出现。由于进程之间没有共享内存，每个进程都在独立的环境中运行，因此输出中的完成顺序与启动顺序相同。
异步编程 (Asyncio)
Python 3.4 引入了 asyncio 模块，它是一个用于编写单线程并发代码的模块，使用 async 和 await 关键字。异步编程允许你编写并发代码，以非阻塞的方式运行。这非常适合 I/O 密集型任务，如网络请求、文件操作等。
import asyncio
async def worker(num):
print(f"Worker {num} starting")
await asyncio.sleep(2)
print(f"Worker {num} finished")
async def main():
tasks =
await asyncio.gather(*tasks)
asyncio.run(main())
print("All workers finished.")由于协程是基于事件循环的，因此输出中的完成顺序可能与启动顺序不同。异步编程也是python并发编程中比较重要的一个概念，后面很大篇幅都要围绕这个异步编程来展开的。
使用 concurrent.futures
concurrent.futures 提供了一个高层次的接口来处理并行执行的任务，实际上就是线程池或者进程池的玩意，这个池的概念就是线程或者进程用完不销毁，重复利用，具体后面展开说说。
示例：
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor
import time
def worker(num):
print(f"Worker {num} starting")
time.sleep(2)
return f"Worker {num} finished"
with ThreadPoolExecutor(max_workers=5) as executor:
futures =
for future in futures:
print(future.result())
print("All workers finished.")首先，创建了一个最大容纳 5 个工作线程的线程池。然后，提交了 5 个 worker 任务到线程池中，并立即返回了 5 个 Future 对象。接着，程序遍历这些 Future 对象，等待每个任务完成，并打印它们的返回值。最后，打印所有工作线程已经完成的消息。不过还是那个问题，由于 Python 的全局解释器锁（GIL），在 CPU 密集型任务中，线程池并不会带来性能上的提升。
以上这些方法都可以根据你的具体需求来选择使用。如果你需要进行更多的细节控制或者有特定的性能要求，你还可以考虑使用更底层的 API 或者第三方库。
来源:https://www.cnblogs.com/kiwiblog/p/18445764
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！
页:
[1]