python多线程介绍

每个库或模块都有其特定的用途和优势，选择哪一个取决于具体的任务需求、计算资源。一般可以将任务分成两类：

• I/O 密集型任务：这些任务的瓶颈主要在于等待外部操作，如磁盘读写或网络通信。在这些等待期间，CPU 大部分时间是空闲的。线程由于其轻量级特性，适合于这种等待较多的任务。当一个线程等待 I/O 操作完成时，操作系统可以切换到另一个线程继续工作，从而更有效地利用 CPU。比如爬虫就是io密集

• CPU 密集型任务：这些任务主要涉及大量的计算，CPU 持续处于忙碌状态。在这种情况下，使用多线程可能不会带来明显的性能提升，因为线程共享相同的 CPU 核心。相反，多进程可以在多核心处理器上并行执行，每个进程在不同的核心上运行，从而更有效地利用 CPU 资源。

1. 线程ThreadPoolExecutor (concurrent.futures 模块):

   • 用途: 主要用于 I/O 密集型任务，如文件读写、网络请求等。
   • 工作原理: 使用线程池执行并发任务。由于 GIL（全局解释器锁（在 CPython 解释器中限制了同时只能有一个线程执行 Python 字节码））的存在，它不适合 CPU 密集型任务。（线程在执行 Python 代码时仍然是顺序执行。而多进程可以绕过 GIL 的限制，因为每个进程有自己的解释器和内存空间）
   • 优点: 线程切换开销小于进程切换，适用于多个较小的、阻塞式任务。

2. 进程ProcessPoolExecutor (concurrent.futures 模块):

   • 用途: 适用于 CPU 密集型任务，如复杂计算、数据处理等。
   • 工作原理: 使用进程池执行并发任务，每个进程运行在其独立的内存空间内。
   • 优点: 避开 GIL 限制，可以充分利用多核 CPU。

3. multiprocessing 模块:

   • 用途: 与 ProcessPoolExecutor 类似，用于 CPU 密集型任务。
   • 工作原理: 创建多个进程，每个进程都在自己的 Python 解释器内运行。
   • 特点: 提供了更丰富的进程间通信（IPC）工具，如管道、队列等。

4. threading 模块:

   • 用途: 用于多线程编程，适合 I/O 密集型任务。
   • 特点: 相比于 ThreadPoolExecutor 提供了更底层的线程操作。

5. asyncio 模块:

   • 用途: 用于编写单线程并发的异步 I/O 操作，适合高 I/O 等待的应用，如大量网络请求、高并发 Web 应用。
   • 特点: 通过事件循环和协程提供非阻塞操作。

6. gunicorn + gevent:

   • 用途: 主要用于网络应用，特别是在 Python Web 框架中。
   • 工作原理: gevent 提供异步操作，而 gunicorn 作为一个 WSGI HTTP 服务器。

7. Celery:

   • 用途: 用于异步任务队列/作业队列，特别适合需要执行长时间运行任务的应用。
   • 特点: 支持多种消息代理（如 RabbitMQ、Redis）作为任务队列。

8. Dask:

   • 用途: 用于大规模数据处理，尤其是超出内存大小的数据集。
   • 特点: 提供并行数据处理，与 Pandas、NumPy、Scikit-Learn 等库良好集成。