Pythonのスレッディングを理解しようとしています。私はドキュメントと例を見てきましたが、率直に言って、多くの例は過度に洗練されており、それらを理解するのに苦労しています。
マルチスレッド用に分割されているタスクをどのように明確に示しますか?
Pythonのスレッディングを理解しようとしています。私はドキュメントと例を見てきましたが、率直に言って、多くの例は過度に洗練されており、それらを理解するのに苦労しています。
マルチスレッド用に分割されているタスクをどのように明確に示しますか?
回答:
2010年にこの質問が出されて以来、mapとpoolを使用してPythonで単純なマルチスレッドを実行する方法は非常に単純化されています。
以下のコードは、必ず確認する必要がある記事/ブログの投稿(アフィリエーションなし)からのものです。1行の並列処理:日々のスレッドタスクのより良いモデル。以下に要約します。最終的には数行のコードになります。
from multiprocessing.dummy import Pool as ThreadPool
pool = ThreadPool(4)
results = pool.map(my_function, my_array)
次のマルチスレッドバージョンはどれですか。
results = []
for item in my_array:
results.append(my_function(item))
説明
Mapはクールな小さな関数であり、並列処理をPythonコードに簡単に挿入するための鍵となります。馴染みのない人にとって、マップはLispのような関数型言語から持ち上げられたものです。シーケンスに別の関数をマッピングする関数です。
Mapはシーケンスの反復を処理し、関数を適用して、すべての結果を最後に便利なリストに格納します。
実装
map関数の並列バージョンは、2つのライブラリー:multiprocessingによって提供されます。また、ほとんど知られていませんが、同様に素晴らしいステップの子:multiprocessing.dummyです。
multiprocessing.dummy
マルチプロセッシングモジュールとまったく同じですが、代わりにスレッドを使用します(重要な違い -CPUを集中的に使用するタスクには複数のプロセスを使用します。I/ O(およびI / O中)にはスレッドを使用します)。
multiprocessing.dummyはマルチプロセッシングのAPIを複製しますが、これはスレッドモジュールのラッパーにすぎません。
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()
そしてタイミングの結果:
Single thread: 14.4 seconds
4 Pool: 3.1 seconds
8 Pool: 1.4 seconds
13 Pool: 1.3 seconds
複数の引数を渡す(Python 3.3以降でのみこのように機能します):
複数の配列を渡すには:
results = pool.starmap(function, zip(list_a, list_b))
または、定数と配列を渡すには:
results = pool.starmap(function, zip(itertools.repeat(constant), list_a))
以前のバージョンのPythonを使用している場合は、この回避策を使用して複数の引数を渡すことができます)。
(役立つコメントを提供してくれたuser136036に感謝します。)
簡単な例を次に示します。いくつかの代替URLを試し、最初のURLのコンテンツを返して応答する必要があります。
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
これは、スレッド化が単純な最適化として使用される場合です。各サブスレッドは、そのコンテンツをキューに入れるために、URLが解決および応答するのを待機しています。各スレッドはデーモンです(メインスレッドが終了した場合、プロセスを維持しません-これは一般的です)。メインスレッドはすべてのサブスレッドを開始get
し、キューでa を実行してput
、それらの1 つがを完了するまで待機し、結果を発行して終了します(デーモンスレッドであるため、まだ実行されている可能性のあるサブスレッドをすべて停止します)。
Pythonでのスレッドの適切な使用は、常にI / O操作に関連付けられています(CPythonは複数のコアを使用してCPUにバインドされたタスクを実行しないため、スレッド化の唯一の理由は、I / Oの待機中にプロセスをブロックしないことです。 )。ちなみにキューは、ほぼ常にスレッドに作業を展開したり、作業の結果を収集したりするための最良の方法であり、キューは本質的にスレッドセーフであるため、ロック、条件、イベント、セマフォ、およびその他のインター-スレッドの調整/通信の概念。
join()
メソッドを使用することだと思います。これにより、メインスレッドは、プロセッサを常に消費することなく完了するまで待機します。値を確認します。@アレックス:おかげで、これはスレッドの使用方法を理解するために必要なものです。
Queue
モジュール名をに置き換えますqueue
。メソッド名は同じです。
s = q.get()
print s
です:@ krs013 join
Queue.get()がブロックしているため、必要はありません。
注:Pythonでの実際の並列化では、マルチプロセッシングモジュールを使用して、並列に実行される複数のプロセスをフォークする必要があります(グローバルインタープリターロックにより、Pythonスレッドはインターリーブを提供しますが、実際には並列ではなく逐次的に実行され、 I / O操作をインターリーブするときに役立ちます)。
ただし、単にインターリーブを探している場合(またはグローバルインタープリターロックにもかかわらず並列化できるI / O操作を実行している場合)は、スレッドモジュールが開始する場所です。本当に簡単な例として、並列にサブ範囲を合計することによって大きな範囲を合計する問題を考えてみましょう:
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
上記は非常に愚かな例であることに注意してください。これは、I / Oがまったくなく、グローバルインタープリターロックのためにCPythonでインターリーブされますが(コンテキストスイッチングのオーバーヘッドが追加されます)、シリアルに実行されます。
thread1
メインスレッドがブロックしている間に完了するまで実行され、次に同じことがで発生しthread2
、メインスレッドが再開し、累積した値を出力します。
super(SummingThread, self).__init__()
?stackoverflow.com/a/2197625/806988と
他の人が述べたように、CPythonはGILによるI / O待機にのみスレッドを使用できます。
CPUにバインドされたタスクに複数のコアを利用する場合は、マルチプロセッシングを使用します。
from multiprocessing import Process
def f(name):
print 'hello', name
if __name__ == '__main__':
p = Process(target=f, args=('bob',))
p.start()
p.join()
f
ます。プログラムのメイン行と、ターゲットの関数から始まるプロセスです。並行して、メインプログラムはプロセスが終了join
するのを待つだけで、それに追いつきます。メインパートが終了した直後の場合、サブプロセスは最後まで実行される場合とされない場合があるため、join
常に実行することをお勧めします。
map
関数を含む拡張された答えはここにあります:stackoverflow.com/a/28463266/2327328
注:スレッド化にはキューは必要ありません。
これは、10個のプロセスが同時に実行されていることを想像できる最も簡単な例です。
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"
for
ループは必要ありませんthread.start()
。最初のループで呼び出すことができます。
Alex Martelliからの回答が役に立ちました。しかし、これは私がもっと便利だと思った修正版です(少なくとも私には)
更新: Python 2とPython 3の両方で動作します
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()
import Queue ModuleNotFoundError: No module named 'Queue'
私はpython 3.6.5を実行しています 一部の投稿はpython 3.6.5であると述べていますがqueue
、変更した後でも機能しません
関数が与えられた場合、次のf
ようにスレッド化します。
import threading
threading.Thread(target=f).start()
引数を渡すには f
threading.Thread(target=f, args=(a,b,c)).start()
is_alive
方法を見ましたが、それをスレッドに適用する方法がわかりませんでした。割り当てthread1=threading.Thread(target=f).start()
てからで確認しようとしましたがthread1.is_alive()
、がthread1
入力されているNone
ため、うまくいきません。スレッドにアクセスする他の方法があるかどうか知っていますか?
thread1=threading.Thread(target=f)
が続きますthread1.start()
。その後、行うことができますthread1.is_alive()
。
thread1.is_alive()
戻りFalse
ます。
私はこれが非常に便利だと思いました:コアと同じ数のスレッドを作成し、それらに(大量の)タスク(この場合はシェルプログラムを呼び出す)を実行させます:
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には、並列タスクを起動する機能があります。これにより、作業が簡単になります。
それは持っているスレッドプールおよびプロセス・プーリングを。
以下は洞察を与えます:
ThreadPoolExecutorの例(ソース)
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(ソース)
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()
驚異的な新しいconcurrent.futuresモジュールの使用
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())
エグゼキューターアプローチは、以前にJavaに手を染めたことがある人なら誰でもよく知っているように思えるかもしれません。
また、余談ですが、ユニバースを健全な状態に保つために、with
コンテキストを使用しない場合はプール/エグゼキューターを閉じることを忘れないでください(これは非常に素晴らしいので、実行してくれます)
私にとって、スレッドの完璧な例は非同期イベントの監視です。このコードを見てください。
# 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;
このコードを試すには、IPythonセッションを開いて次のようにします。
>>> from thread_test import Monitor
>>> a = [0]
>>> mon = Monitor(a)
>>> mon.start()
>>> a[0] = 2
Mon = 2
>>>a[0] = 2
Mon = 2
数分待つ
>>> a[0] = 2
Mon = 2
ほとんどのドキュメントとチュートリアルはPython Threading
とQueue
モジュールを使用しているため、初心者にとっては圧倒されるかもしれません。
おそらくconcurrent.futures.ThreadPoolExecutor
Python 3 のモジュールを検討してください。
with
句とリストの理解と組み合わせると、それは本当の魅力かもしれません。
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()
実際の作業が行われていない多くの例をここで見ましたが、それらはほとんどCPUに依存していました。以下は、1000万から10.05百万のすべての素数を計算するCPUバウンドタスクの例です。ここでは4つの方法すべてを使用しました。
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()
これは私のMac OS X 4コアマシンでの結果です
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
if __name__ == '__main__':
メインコールの前にaが必要です。それ以外の場合、測定値はそれ自体を生成して出力します。前に新しいプロセスを開始しようとしました...。
これは、スレッドを使用したCSVインポートの非常に単純な例です。(ライブラリーの組み込みは、目的によって異なる場合があります。)
ヘルパー関数:
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
ドライバー機能:
import_handler(csv_file_name)
簡単な例と、この問題に自分で取り組む必要があったときに役に立ったと思う説明を提供したいと思います。
この回答では、PythonのGIL(グローバルインタープリターロック)に関するいくつかの情報と、multiprocessing.dummyを使用して記述された簡単な日常の例に加えて、いくつかの簡単なベンチマークがあります。
グローバルインタープリターロック(GIL)
Pythonでは、本当の意味でのマルチスレッド化は許可されていません。これにはマルチスレッドパッケージがありますが、マルチスレッドでコードを高速化したい場合は、通常、それを使用することはお勧めできません。
Pythonには、グローバルインタープリターロック(GIL)と呼ばれる構造があります。GILは、一度に実行できる「スレッド」は1つだけであることを確認します。スレッドはGILを取得し、少し作業を行ってから、GILを次のスレッドに渡します。
これは非常に迅速に行われるため、人間の目にはスレッドが並列で実行されているように見えるかもしれませんが、実際には同じCPUコアを使用して順番を取っているだけです。
このすべてのGILの引き渡しは、実行にオーバーヘッドを追加します。つまり、コードをより高速に実行したい場合、スレッディングパッケージを使用することは多くの場合良い考えではありません。
Pythonのスレッドパッケージを使用する理由があります。いくつかを同時に実行したい場合で、効率が問題にならないのであれば、それはまったく問題なく便利です。または、何か(I / Oなど)を待機する必要があるコードを実行している場合、それは非常に理にかなっています。ただし、スレッドライブラリでは、追加のCPUコアを使用できません。
マルチスレッドは、オペレーティングシステム(マルチプロセッシングを実行すること)、およびPythonコードを呼び出す外部アプリケーション(SparkやHadoopなど)、またはPythonコードが呼び出すコード(たとえば:高価なマルチスレッド処理を行うC関数をPythonコードで呼び出すようにします)。
なぜこれが重要なのか
多くの人が、GILとは何かを学ぶ前に、派手なPythonマルチスレッドコードのボトルネックを見つけることに多くの時間を費やしているからです。
この情報が明確になったら、これが私のコードです。
#!/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)
ここに役立つ簡単な例のマルチスレッドがあります。あなたはそれを実行して、マルチスレッドがPythonでどのように機能しているかを簡単に理解することができます。前のスレッドが作業を完了するまで、他のスレッドへのアクセスを防ぐためにロックを使用しました。このコード行を使用すると、
tLock = threading.BoundedSemaphore(value = 4)
一度に複数のプロセスを許可し、後で実行するか、前のプロセスが終了した後に実行される残りのスレッドを保持することができます。
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()
この投稿を借用することで、マルチスレッド、マルチプロセッシング、async / asyncio
、およびそれらの使用法の選択について知っています。
Python 3には、並行性と並列性を実現するための新しい組み込みライブラリが含まれています。concurrent.futures
だから私は.sleep()
方法で4つのタスク(すなわちメソッド)を実行する実験を通してデモンストレーションしThreading-Pool
ます:
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)
出力:
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
[ 注 ]:
multiprocessing
対threading
変更できる)ThreadPoolExecutor
へProcessPoolExecutor
。以前のソリューションでは、GNU / Linuxサーバーで複数のコアを実際に使用していません(管理者権限がない場合)。彼らはただシングルコアで走った。
下位レベルのos.fork
インターフェイスを使用して、複数のプロセスを生成しました。これは私のために働いたコードです:
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()