Bagaimana saya bisa menggunakan threading dengan Python?

Saya mencoba memahami threading dengan Python. Saya telah melihat dokumentasi dan contoh-contohnya, tetapi sejujurnya, banyak contoh yang terlalu canggih dan saya kesulitan memahaminya.

Bagaimana Anda dengan jelas menunjukkan tugas yang dibagi untuk multi-threading?

Sejak pertanyaan ini diajukan pada tahun 2010, telah ada penyederhanaan nyata dalam bagaimana melakukan multithreading sederhana dengan Python dengan peta dan kumpulan .

Kode di bawah ini berasal dari artikel / posting blog yang harus Anda periksa (tidak ada afiliasi) - Paralelisme dalam satu baris: Model yang Lebih Baik untuk Tugas Sehari-Hari Threading . Saya akan meringkas di bawah ini - akhirnya hanya menjadi beberapa baris kode:

from multiprocessing.dummy import Pool as ThreadPool
pool = ThreadPool(4)
results = pool.map(my_function, my_array)

Yang merupakan versi multithreaded dari:

results = []
for item in my_array:
    results.append(my_function(item))

Deskripsi

Peta adalah fungsi kecil yang keren, dan kunci untuk dengan mudah menyuntikkan paralelisme ke dalam kode Python Anda. Bagi mereka yang tidak terbiasa, peta adalah sesuatu yang diangkat dari bahasa fungsional seperti Lisp. Ini adalah fungsi yang memetakan fungsi lain melalui urutan.

Peta menangani iterasi di atas urutan untuk kami, menerapkan fungsi, dan menyimpan semua hasil dalam daftar praktis di akhir.

Penerapan

Versi paralel dari fungsi peta disediakan oleh dua pustaka: multiprocessing, dan juga anak langkahnya yang sedikit diketahui, tetapi sama-sama fantastis: multiprocessing.dummy.

multiprocessing.dummypersis sama dengan modul multiprosesing, tetapi menggunakan utas sebagai gantinya ( perbedaan penting - gunakan beberapa proses untuk tugas-tugas yang intensif CPU; utas untuk (dan selama) I / O ):

multiprocessing.dummy mereplikasi API multiprocessing, tetapi tidak lebih dari pembungkus di sekitar modul threading.

import urllib2
from multiprocessing.dummy import Pool as ThreadPool

urls = [
  'http://www.python.org',
  'http://www.python.org/about/',
  'http://www.onlamp.com/pub/a/python/2003/04/17/metaclasses.html',
  'http://www.python.org/doc/',
  'http://www.python.org/download/',
  'http://www.python.org/getit/',
  'http://www.python.org/community/',
  'https://wiki.python.org/moin/',
]

# Make the Pool of workers
pool = ThreadPool(4)

# Open the URLs in their own threads
# and return the results
results = pool.map(urllib2.urlopen, urls)

# Close the pool and wait for the work to finish
pool.close()
pool.join()

Dan hasil waktu:

Single thread:   14.4 seconds
       4 Pool:   3.1 seconds
       8 Pool:   1.4 seconds
      13 Pool:   1.3 seconds

Melewati banyak argumen (hanya berfungsi seperti ini di Python 3.3 dan yang lebih baru ):

Untuk melewati beberapa larik:

results = pool.starmap(function, zip(list_a, list_b))

Atau untuk melewatkan konstanta dan array:

results = pool.starmap(function, zip(itertools.repeat(constant), list_a))

Jika Anda menggunakan versi Python yang lebih lama, Anda bisa meneruskan beberapa argumen melalui solusi ini ).

(Terima kasih kepada pengguna136036 untuk komentar bermanfaat.)

Berikut ini contoh sederhana: Anda perlu mencoba beberapa URL alternatif dan mengembalikan konten yang pertama merespons.

import Queue
import threading
import urllib2

# Called by each thread
def get_url(q, url):
    q.put(urllib2.urlopen(url).read())

theurls = ["http://google.com", "http://yahoo.com"]

q = Queue.Queue()

for u in theurls:
    t = threading.Thread(target=get_url, args = (q,u))
    t.daemon = True
    t.start()

s = q.get()
print s

Ini adalah kasus di mana threading digunakan sebagai optimisasi sederhana: setiap subthread sedang menunggu URL untuk menyelesaikan dan merespons, untuk menempatkan kontennya pada antrian; setiap utas adalah daemon (tidak akan mempertahankan proses jika utas utama berakhir - itu lebih umum daripada tidak); utas utama memulai semua subthreads, melakukan getantrian untuk menunggu sampai salah satu dari mereka melakukan aput , kemudian memancarkan hasil dan mengakhiri (yang mencatat semua subthreads yang mungkin masih berjalan, karena mereka adalah daemon threads).

Penggunaan utas yang benar dalam Python selalu terhubung ke operasi I / O (karena CPython tidak menggunakan banyak inti untuk menjalankan tugas yang terikat CPU, satu-satunya alasan untuk threading adalah tidak memblokir proses sementara ada menunggu beberapa I / O ). Antrian hampir selalu merupakan cara terbaik untuk membuat pekerjaan keluar dari utas ke thread dan / atau mengumpulkan hasil pekerjaan, dan, pada dasarnya, mereka secara intrinsik aman, sehingga mereka menyelamatkan Anda dari kekhawatiran tentang kunci, kondisi, peristiwa, semaphore, dan inter Konsep koordinasi / komunikasi.

CATATAN : Untuk paralelisasi aktual dalam Python, Anda harus menggunakan multiprosesor modul untuk memotong beberapa proses yang dieksekusi secara paralel (karena kunci juru bahasa global, benang Python menyediakan interleaving, tetapi sebenarnya dieksekusi secara seri, bukan paralel, dan hanya berguna saat interleaving operasi I / O).

Namun, jika Anda hanya mencari interleaving (atau sedang melakukan operasi I / O yang dapat diparalelkan meskipun ada kunci juru bahasa global), maka modul threading adalah tempat untuk memulai. Sebagai contoh yang sangat sederhana, mari kita pertimbangkan masalah menjumlahkan rentang besar dengan menjumlahkan subrang secara paralel:

import threading

class SummingThread(threading.Thread):
     def __init__(self,low,high):
         super(SummingThread, self).__init__()
         self.low=low
         self.high=high
         self.total=0

     def run(self):
         for i in range(self.low,self.high):
             self.total+=i


thread1 = SummingThread(0,500000)
thread2 = SummingThread(500000,1000000)
thread1.start() # This actually causes the thread to run
thread2.start()
thread1.join()  # This waits until the thread has completed
thread2.join()
# At this point, both threads have completed
result = thread1.total + thread2.total
print result

Perhatikan bahwa di atas adalah contoh yang sangat bodoh, karena sama sekali tidak ada I / O dan akan dieksekusi secara serial meskipun diselingi (dengan tambahan overhead konteks switching) di CPython karena kunci juru bahasa global.

Seperti yang lain disebutkan, CPython dapat menggunakan utas hanya untuk I / O menunggu karena GIL .

Jika Anda ingin mendapat manfaat dari banyak inti untuk tugas yang terikat CPU, gunakan multiprosesor :

from multiprocessing import Process

def f(name):
    print 'hello', name

if __name__ == '__main__':
    p = Process(target=f, args=('bob',))
    p.start()
    p.join()

Hanya sebuah catatan: Antrian tidak diperlukan untuk threading.

Ini adalah contoh paling sederhana yang dapat saya bayangkan yang menunjukkan 10 proses berjalan secara bersamaan.

import threading
from random import randint
from time import sleep


def print_number(number):

    # Sleeps a random 1 to 10 seconds
    rand_int_var = randint(1, 10)
    sleep(rand_int_var)
    print "Thread " + str(number) + " slept for " + str(rand_int_var) + " seconds"

thread_list = []

for i in range(1, 10):

    # Instantiates the thread
    # (i) does not make a sequence, so (i,)
    t = threading.Thread(target=print_number, args=(i,))
    # Sticks the thread in a list so that it remains accessible
    thread_list.append(t)

# Starts threads
for thread in thread_list:
    thread.start()

# This blocks the calling thread until the thread whose join() method is called is terminated.
# From http://docs.python.org/2/library/threading.html#thread-objects
for thread in thread_list:
    thread.join()

# Demonstrates that the main process waited for threads to complete
print "Done"

Jawaban dari Alex Martelli membantu saya. Namun, ini adalah versi modifikasi yang saya pikir lebih bermanfaat (setidaknya bagi saya).

Diperbarui: berfungsi di Python 2 dan Python 3

try:
    # For Python 3
    import queue
    from urllib.request import urlopen
except:
    # For Python 2 
    import Queue as queue
    from urllib2 import urlopen

import threading

worker_data = ['http://google.com', 'http://yahoo.com', 'http://bing.com']

# Load up a queue with your data. This will handle locking
q = queue.Queue()
for url in worker_data:
    q.put(url)

# Define a worker function
def worker(url_queue):
    queue_full = True
    while queue_full:
        try:
            # Get your data off the queue, and do some work
            url = url_queue.get(False)
            data = urlopen(url).read()
            print(len(data))

        except queue.Empty:
            queue_full = False

# Create as many threads as you want
thread_count = 5
for i in range(thread_count):
    t = threading.Thread(target=worker, args = (q,))
    t.start()

Diberi fungsi f,, utas seperti ini:

import threading
threading.Thread(target=f).start()

Untuk meneruskan argumen f

threading.Thread(target=f, args=(a,b,c)).start()

Saya menemukan ini sangat berguna: buat sebanyak utas sebagai inti dan biarkan mereka menjalankan banyak tugas (dalam hal ini, memanggil program shell):

import Queue
import threading
import multiprocessing
import subprocess

q = Queue.Queue()
for i in range(30): # Put 30 tasks in the queue
    q.put(i)

def worker():
    while True:
        item = q.get()
        # Execute a task: call a shell program and wait until it completes
        subprocess.call("echo " + str(item), shell=True)
        q.task_done()

cpus = multiprocessing.cpu_count() # Detect number of cores
print("Creating %d threads" % cpus)
for i in range(cpus):
     t = threading.Thread(target=worker)
     t.daemon = True
     t.start()

q.join() # Block until all tasks are done

Python 3 memiliki fasilitas meluncurkan tugas paralel . Ini membuat pekerjaan kami lebih mudah.

Ini memiliki penyatuan benang dan proses penyatuan .

Berikut ini memberikan wawasan:

Contoh ThreadPoolExecutor ( sumber )

import concurrent.futures
import urllib.request

URLS = ['http://www.foxnews.com/',
        'http://www.cnn.com/',
        'http://europe.wsj.com/',
        'http://www.bbc.co.uk/',
        'http://some-made-up-domain.com/']

# Retrieve a single page and report the URL and contents
def load_url(url, timeout):
    with urllib.request.urlopen(url, timeout=timeout) as conn:
        return conn.read()

# We can use a with statement to ensure threads are cleaned up promptly
with concurrent.futures.ThreadPoolExecutor(max_workers=5) as executor:
    # Start the load operations and mark each future with its URL
    future_to_url = {executor.submit(load_url, url, 60): url for url in URLS}
    for future in concurrent.futures.as_completed(future_to_url):
        url = future_to_url[future]
        try:
            data = future.result()
        except Exception as exc:
            print('%r generated an exception: %s' % (url, exc))
        else:
            print('%r page is %d bytes' % (url, len(data)))

ProcessPoolExecutor ( sumber )

import concurrent.futures
import math

PRIMES = [
    112272535095293,
    112582705942171,
    112272535095293,
    115280095190773,
    115797848077099,
    1099726899285419]

def is_prime(n):
    if n % 2 == 0:
        return False

    sqrt_n = int(math.floor(math.sqrt(n)))
    for i in range(3, sqrt_n + 1, 2):
        if n % i == 0:
            return False
    return True

def main():
    with concurrent.futures.ProcessPoolExecutor() as executor:
        for number, prime in zip(PRIMES, executor.map(is_prime, PRIMES)):
            print('%d is prime: %s' % (number, prime))

if __name__ == '__main__':
    main()

Menggunakan modul concurrent.futures baru yang terik

def sqr(val):
    import time
    time.sleep(0.1)
    return val * val

def process_result(result):
    print(result)

def process_these_asap(tasks):
    import concurrent.futures

    with concurrent.futures.ProcessPoolExecutor() as executor:
        futures = []
        for task in tasks:
            futures.append(executor.submit(sqr, task))

        for future in concurrent.futures.as_completed(futures):
            process_result(future.result())
        # Or instead of all this just do:
        # results = executor.map(sqr, tasks)
        # list(map(process_result, results))

def main():
    tasks = list(range(10))
    print('Processing {} tasks'.format(len(tasks)))
    process_these_asap(tasks)
    print('Done')
    return 0

if __name__ == '__main__':
    import sys
    sys.exit(main())

Pendekatan pelaksana mungkin tampak akrab bagi semua orang yang pernah mengotori Jawa sebelumnya.

Juga sebagai catatan: Untuk menjaga alam semesta tetap waras, jangan lupa untuk menutup kumpulan / pelaksana Anda jika Anda tidak menggunakan withkonteks (yang sangat mengagumkan sehingga ia melakukannya untuk Anda)

Bagi saya, contoh sempurna untuk threading adalah memantau peristiwa asinkron. Lihatlah kode ini.

# thread_test.py
import threading
import time

class Monitor(threading.Thread):
    def __init__(self, mon):
        threading.Thread.__init__(self)
        self.mon = mon

    def run(self):
        while True:
            if self.mon[0] == 2:
                print "Mon = 2"
                self.mon[0] = 3;

Anda dapat bermain dengan kode ini dengan membuka sesi IPython dan melakukan sesuatu seperti:

>>> from thread_test import Monitor
>>> a = [0]
>>> mon = Monitor(a)
>>> mon.start()
>>> a[0] = 2
Mon = 2
>>>a[0] = 2
Mon = 2

Tunggu beberapa menit

>>> a[0] = 2
Mon = 2

Sebagian besar dokumentasi dan tutorial menggunakan Python Threadingdan Queuemodul, dan itu bisa membuat kewalahan bagi pemula.

Mungkin mempertimbangkan concurrent.futures.ThreadPoolExecutormodul Python 3.

Dikombinasikan dengan with klausa dan daftar pemahaman itu bisa menjadi pesona nyata.

from concurrent.futures import ThreadPoolExecutor, as_completed

def get_url(url):
    # Your actual program here. Using threading.Lock() if necessary
    return ""

# List of URLs to fetch
urls = ["url1", "url2"]

with ThreadPoolExecutor(max_workers = 5) as executor:

    # Create threads
    futures = {executor.submit(get_url, url) for url in urls}

    # as_completed() gives you the threads once finished
    for f in as_completed(futures):
        # Get the results
        rs = f.result()

Saya melihat banyak contoh di sini di mana tidak ada pekerjaan nyata yang dilakukan, dan kebanyakan terikat CPU. Berikut adalah contoh tugas yang terikat CPU yang menghitung semua bilangan prima antara 10 juta dan 10,05 juta. Saya telah menggunakan keempat metode di sini:

import math
import timeit
import threading
import multiprocessing
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor


def time_stuff(fn):
    """
    Measure time of execution of a function
    """
    def wrapper(*args, **kwargs):
        t0 = timeit.default_timer()
        fn(*args, **kwargs)
        t1 = timeit.default_timer()
        print("{} seconds".format(t1 - t0))
    return wrapper

def find_primes_in(nmin, nmax):
    """
    Compute a list of prime numbers between the given minimum and maximum arguments
    """
    primes = []

    # Loop from minimum to maximum
    for current in range(nmin, nmax + 1):

        # Take the square root of the current number
        sqrt_n = int(math.sqrt(current))
        found = False

        # Check if the any number from 2 to the square root + 1 divides the current numnber under consideration
        for number in range(2, sqrt_n + 1):

            # If divisible we have found a factor, hence this is not a prime number, lets move to the next one
            if current % number == 0:
                found = True
                break

        # If not divisible, add this number to the list of primes that we have found so far
        if not found:
            primes.append(current)

    # I am merely printing the length of the array containing all the primes, but feel free to do what you want
    print(len(primes))

@time_stuff
def sequential_prime_finder(nmin, nmax):
    """
    Use the main process and main thread to compute everything in this case
    """
    find_primes_in(nmin, nmax)

@time_stuff
def threading_prime_finder(nmin, nmax):
    """
    If the minimum is 1000 and the maximum is 2000 and we have four workers,
    1000 - 1250 to worker 1
    1250 - 1500 to worker 2
    1500 - 1750 to worker 3
    1750 - 2000 to worker 4
    so let’s split the minimum and maximum values according to the number of workers
    """
    nrange = nmax - nmin
    threads = []
    for i in range(8):
        start = int(nmin + i * nrange/8)
        end = int(nmin + (i + 1) * nrange/8)

        # Start the thread with the minimum and maximum split up to compute
        # Parallel computation will not work here due to the GIL since this is a CPU-bound task
        t = threading.Thread(target = find_primes_in, args = (start, end))
        threads.append(t)
        t.start()

    # Don’t forget to wait for the threads to finish
    for t in threads:
        t.join()

@time_stuff
def processing_prime_finder(nmin, nmax):
    """
    Split the minimum, maximum interval similar to the threading method above, but use processes this time
    """
    nrange = nmax - nmin
    processes = []
    for i in range(8):
        start = int(nmin + i * nrange/8)
        end = int(nmin + (i + 1) * nrange/8)
        p = multiprocessing.Process(target = find_primes_in, args = (start, end))
        processes.append(p)
        p.start()

    for p in processes:
        p.join()

@time_stuff
def thread_executor_prime_finder(nmin, nmax):
    """
    Split the min max interval similar to the threading method, but use a thread pool executor this time.
    This method is slightly faster than using pure threading as the pools manage threads more efficiently.
    This method is still slow due to the GIL limitations since we are doing a CPU-bound task.
    """
    nrange = nmax - nmin
    with ThreadPoolExecutor(max_workers = 8) as e:
        for i in range(8):
            start = int(nmin + i * nrange/8)
            end = int(nmin + (i + 1) * nrange/8)
            e.submit(find_primes_in, start, end)

@time_stuff
def process_executor_prime_finder(nmin, nmax):
    """
    Split the min max interval similar to the threading method, but use the process pool executor.
    This is the fastest method recorded so far as it manages process efficiently + overcomes GIL limitations.
    RECOMMENDED METHOD FOR CPU-BOUND TASKS
    """
    nrange = nmax - nmin
    with ProcessPoolExecutor(max_workers = 8) as e:
        for i in range(8):
            start = int(nmin + i * nrange/8)
            end = int(nmin + (i + 1) * nrange/8)
            e.submit(find_primes_in, start, end)

def main():
    nmin = int(1e7)
    nmax = int(1.05e7)
    print("Sequential Prime Finder Starting")
    sequential_prime_finder(nmin, nmax)
    print("Threading Prime Finder Starting")
    threading_prime_finder(nmin, nmax)
    print("Processing Prime Finder Starting")
    processing_prime_finder(nmin, nmax)
    print("Thread Executor Prime Finder Starting")
    thread_executor_prime_finder(nmin, nmax)
    print("Process Executor Finder Starting")
    process_executor_prime_finder(nmin, nmax)

main()

Berikut adalah hasil pada mesin empat-core Mac OS X saya

Sequential Prime Finder Starting
9.708213827005238 seconds
Threading Prime Finder Starting
9.81836523200036 seconds
Processing Prime Finder Starting
3.2467174359990167 seconds
Thread Executor Prime Finder Starting
10.228896902000997 seconds
Process Executor Finder Starting
2.656402041000547 seconds

Berikut adalah contoh impor CSV yang sangat sederhana menggunakan threading. (Penyertaan perpustakaan mungkin berbeda untuk tujuan yang berbeda.)

Fungsi Helper:

from threading import Thread
from project import app
import csv


def import_handler(csv_file_name):
    thr = Thread(target=dump_async_csv_data, args=[csv_file_name])
    thr.start()

def dump_async_csv_data(csv_file_name):
    with app.app_context():
        with open(csv_file_name) as File:
            reader = csv.DictReader(File)
            for row in reader:
                # DB operation/query

Fungsi Pengemudi:

import_handler(csv_file_name)

Saya ingin berkontribusi dengan contoh sederhana dan penjelasan yang saya temukan berguna ketika saya harus mengatasi masalah ini sendiri.

Dalam jawaban ini Anda akan menemukan beberapa informasi tentang Python GIL (kunci juru bahasa global) dan contoh sederhana sehari-hari yang ditulis menggunakan multiprocessing.dummy plus beberapa tolok ukur sederhana.

Global Interpreter Lock (GIL)

Python tidak mengizinkan multi-threading dalam arti kata yang sebenarnya. Ini memiliki paket multi-threading, tetapi jika Anda ingin multi-thread untuk mempercepat kode Anda, maka biasanya bukan ide yang baik untuk menggunakannya.

Python memiliki konstruk yang disebut global interpreter lock (GIL). GIL memastikan bahwa hanya satu dari 'utas' Anda yang dapat dieksekusi pada satu waktu. Sebuah thread mendapatkan GIL, melakukan sedikit pekerjaan, lalu meneruskan GIL ke thread berikutnya.

Hal ini terjadi sangat cepat sehingga bagi mata manusia, sepertinya utas Anda berjalan paralel, tetapi mereka benar-benar hanya bergantian menggunakan inti CPU yang sama.

Semua operan GIL ini menambah biaya eksekusi. Ini berarti bahwa jika Anda ingin membuat kode Anda berjalan lebih cepat maka menggunakan paket threading sering bukan ide yang baik.

Ada alasan untuk menggunakan paket threading Python. Jika Anda ingin menjalankan beberapa hal secara bersamaan, dan efisiensi bukan masalah, maka itu benar-benar baik dan nyaman. Atau jika Anda menjalankan kode yang perlu menunggu sesuatu (seperti beberapa I / O) maka itu bisa masuk akal. Tetapi pustaka threading tidak akan membiarkan Anda menggunakan core CPU tambahan.

Multi-threading dapat dialihdayakan ke sistem operasi (dengan melakukan multi-pemrosesan), dan beberapa aplikasi eksternal yang memanggil kode Python Anda (misalnya, Spark atau Hadoop ), atau beberapa kode yang panggilan kode Python Anda (misalnya: Anda bisa minta kode Python Anda memanggil fungsi C yang melakukan hal-hal multi-threaded yang mahal).

Mengapa Ini Penting?

Karena banyak orang menghabiskan banyak waktu untuk mencari kemacetan dalam kode multi-threaded Python mewah mereka sebelum mereka mengetahui apa itu GIL.

Setelah informasi ini jelas, inilah kode saya:

#!/bin/python
from multiprocessing.dummy import Pool
from subprocess import PIPE,Popen
import time
import os

# In the variable pool_size we define the "parallelness".
# For CPU-bound tasks, it doesn't make sense to create more Pool processes
# than you have cores to run them on.
#
# On the other hand, if you are using I/O-bound tasks, it may make sense
# to create a quite a few more Pool processes than cores, since the processes
# will probably spend most their time blocked (waiting for I/O to complete).
pool_size = 8

def do_ping(ip):
    if os.name == 'nt':
        print ("Using Windows Ping to " + ip)
        proc = Popen(['ping', ip], stdout=PIPE)
        return proc.communicate()[0]
    else:
        print ("Using Linux / Unix Ping to " + ip)
        proc = Popen(['ping', ip, '-c', '4'], stdout=PIPE)
        return proc.communicate()[0]


os.system('cls' if os.name=='nt' else 'clear')
print ("Running using threads\n")
start_time = time.time()
pool = Pool(pool_size)
website_names = ["www.google.com","www.facebook.com","www.pinterest.com","www.microsoft.com"]
result = {}
for website_name in website_names:
    result[website_name] = pool.apply_async(do_ping, args=(website_name,))
pool.close()
pool.join()
print ("\n--- Execution took {} seconds ---".format((time.time() - start_time)))

# Now we do the same without threading, just to compare time
print ("\nRunning NOT using threads\n")
start_time = time.time()
for website_name in website_names:
    do_ping(website_name)
print ("\n--- Execution took {} seconds ---".format((time.time() - start_time)))

# Here's one way to print the final output from the threads
output = {}
for key, value in result.items():
    output[key] = value.get()
print ("\nOutput aggregated in a Dictionary:")
print (output)
print ("\n")

print ("\nPretty printed output: ")
for key, value in output.items():
    print (key + "\n")
    print (value)

Berikut adalah multi threading dengan contoh sederhana yang akan sangat membantu. Anda dapat menjalankannya dan memahami dengan mudah bagaimana multi threading bekerja di Python. Saya menggunakan kunci untuk mencegah akses ke utas lain sampai utas sebelumnya menyelesaikan pekerjaan mereka. Dengan menggunakan baris kode ini,

tLock = threading.BoundedSemaphore (nilai = 4)

Anda dapat membiarkan sejumlah proses sekaligus dan tetap berpegang pada sisa utas yang akan berjalan nanti atau setelah proses sebelumnya selesai.

import threading
import time

#tLock = threading.Lock()
tLock = threading.BoundedSemaphore(value=4)
def timer(name, delay, repeat):
    print  "\r\nTimer: ", name, " Started"
    tLock.acquire()
    print "\r\n", name, " has the acquired the lock"
    while repeat > 0:
        time.sleep(delay)
        print "\r\n", name, ": ", str(time.ctime(time.time()))
        repeat -= 1

    print "\r\n", name, " is releaseing the lock"
    tLock.release()
    print "\r\nTimer: ", name, " Completed"

def Main():
    t1 = threading.Thread(target=timer, args=("Timer1", 2, 5))
    t2 = threading.Thread(target=timer, args=("Timer2", 3, 5))
    t3 = threading.Thread(target=timer, args=("Timer3", 4, 5))
    t4 = threading.Thread(target=timer, args=("Timer4", 5, 5))
    t5 = threading.Thread(target=timer, args=("Timer5", 0.1, 5))

    t1.start()
    t2.start()
    t3.start()
    t4.start()
    t5.start()

    print "\r\nMain Complete"

if __name__ == "__main__":
    Main()

Dengan meminjam dari posting ini kita tahu tentang memilih antara multithreading, multiprocessing, dan async / asynciodan penggunaannya.

Python 3 memiliki perpustakaan bawaan baru untuk konkurensi dan paralelisme: concurrent.futures

Jadi saya akan menunjukkan melalui percobaan untuk menjalankan empat tugas (yaitu .sleep()metode) dengan Threading-Poolcara:

from concurrent.futures import ThreadPoolExecutor, as_completed
from time import sleep, time

def concurrent(max_worker=1):
    futures = []

    tick = time()
    with ThreadPoolExecutor(max_workers=max_worker) as executor:
        futures.append(executor.submit(sleep, 2))  # Two seconds sleep
        futures.append(executor.submit(sleep, 1))
        futures.append(executor.submit(sleep, 7))
        futures.append(executor.submit(sleep, 3))

        for future in as_completed(futures):
            if future.result() is not None:
                print(future.result())

    print('Total elapsed time by {} workers:'.format(max_worker), time()-tick)

concurrent(5)
concurrent(4)
concurrent(3)
concurrent(2)
concurrent(1)

Keluaran:

Total elapsed time by 5 workers: 7.007831811904907
Total elapsed time by 4 workers: 7.007944107055664
Total elapsed time by 3 workers: 7.003149509429932
Total elapsed time by 2 workers: 8.004627466201782
Total elapsed time by 1 workers: 13.013478994369507

[ CATATAN ]:

• Seperti yang Anda lihat dalam hasil di atas, kasus terbaik adalah 3 pekerja untuk keempat tugas tersebut.
• Jika Anda memiliki tugas proses alih-alih I / O terikat atau memblokir ( multiprocessingvs threading) Anda bisa mengubah ThreadPoolExecutorke ProcessPoolExecutor.

Tidak ada solusi sebelumnya yang benar-benar menggunakan banyak core pada server GNU / Linux saya (di mana saya tidak memiliki hak administrator). Mereka hanya berlari pada satu inti.

Saya menggunakan os.forkantarmuka tingkat bawah untuk menelurkan banyak proses. Ini adalah kode yang berfungsi untuk saya:

from os import fork

values = ['different', 'values', 'for', 'threads']

for i in range(len(values)):
    p = fork()
    if p == 0:
        my_function(values[i])
        break

import threading
import requests

def send():

  r = requests.get('https://www.stackoverlow.com')

thread = []
t = threading.Thread(target=send())
thread.append(t)
t.start()