上一篇
Python多线程编程教程：如何高效执行多个函数 | Python并发编程指南
Python多线程编程教程：高效执行多个函数
掌握threading模块，提升程序执行效率
为什么使用多线程？
在Python编程中，多线程技术允许程序同时执行多个任务，特别适用于：
- I/O密集型任务（文件操作、网络请求）
- 用户界面响应保持
- 并行处理多个独立任务
- 提高程序整体执行效率
注意： Python的全局解释器锁(GIL)限制了多线程在CPU密集型任务中的性能提升，但对于I/O密集型任务，多线程仍然非常有效。
基本多线程示例
以下示例展示了如何使用Python的threading模块同时运行两个函数：
import threading
import time
# 定义第一个函数
def task_one():
print("任务一启动")
time.sleep(2) # 模拟耗时操作
print("任务一完成")
# 定义第二个函数
def task_two():
print("任务二启动")
time.sleep(1) # 模拟耗时操作
print("任务二完成")
# 创建线程
thread1 = threading.Thread(target=task_one)
thread2 = threading.Thread(target=task_two)
# 启动线程
thread1.start()
thread2.start()
# 等待线程完成
thread1.join()
thread2.join()
print("所有任务完成")输出结果：
任务一启动 任务二启动 任务二完成 任务一完成 所有任务完成
从输出可以看到，两个任务同时启动，由于任务二耗时较短，它先于任务一完成。
线程同步技术
当多个线程需要访问共享资源时，需要使用同步机制防止竞争条件：
使用Lock（锁）
import threading
counter = 0
lock = threading.Lock()
def increment():
global counter
for _ in range(100000):
lock.acquire() # 获取锁
counter += 1
lock.release() # 释放锁
threads = []
for i in range(5):
t = threading.Thread(target=increment)
threads.append(t)
t.start()
for t in threads:
t.join()
print(f"最终计数器值: {counter}") # 正确输出500000使用Semaphore（信号量）
import threading
import time
# 最多允许3个线程同时访问
semaphore = threading.Semaphore(3)
def access_resource(thread_id):
print(f"线程 {thread_id} 等待访问资源")
with semaphore:
print(f"线程 {thread_id} 获得资源访问权限")
time.sleep(2)
print(f"线程 {thread_id} 释放资源访问权限")
threads = []
for i in range(8):
t = threading.Thread(target=access_resource, args=(i,))
threads.append(t)
t.start()
for t in threads:
t.join()线程池的使用
对于需要执行大量任务的场景，使用线程池可以更高效地管理线程资源：
from concurrent.futures import ThreadPoolExecutor
import time
def task(name, duration):
print(f"任务 {name} 开始执行")
time.sleep(duration)
print(f"任务 {name} 完成，耗时 {duration}秒")
return f"任务 {name} 结果"
# 创建包含4个工作线程的线程池
with ThreadPoolExecutor(max_workers=4) as executor:
# 提交多个任务
future1 = executor.submit(task, "A", 2)
future2 = executor.submit(task, "B", 1)
future3 = executor.submit(task, "C", 3)
future4 = executor.submit(task, "D", 1.5)
# 获取任务结果
print(future1.result())
print(future2.result())
print(future3.result())
print(future4.result())使用ThreadPoolExecutor的优势：
- 自动管理线程的生命周期
- 限制同时运行的线程数量
- 方便获取任务执行结果
- 支持上下文管理器，自动清理
实际应用场景
1. 文件批量处理
多线程加速多个文件的读写和处理操作：
- 批量图像处理
- 日志文件分析
- 数据格式转换
2. Web请求并发
同时发起多个HTTP请求：
- API数据采集
- 网站状态监控
- 并发性能测试
3. 数据处理流水线
构建多阶段数据处理流程：
- 数据抓取 → 清洗 → 存储
- 实时数据流处理
- 生产者-消费者模型
最佳实践与注意事项
1. 避免全局解释器锁(GIL)的限制
对于CPU密集型任务，考虑使用多进程代替多线程
2. 合理设置线程数量
通常设置为CPU核心数的2-4倍，I/O密集型任务可适当增加
3. 使用线程安全的数据结构
如queue.Queue用于线程间安全通信
4. 使用守护线程
当主程序退出时自动终止：thread = threading.Thread(daemon=True)
© 2023 Python多线程编程教程 | 通过本教程，您已掌握Python多线程的核心概念和应用技巧
本文由YuZhaiHuo于2025-08-03发表在吾爱品聚，如有疑问，请联系我们。
本文链接：https://521pj.cn/20257236.html
发表评论