python in the multithreading is a very important knowledge point, today for you to multithreading in detail, code comments have multithreading knowledge points and test examples.
import threading
from threading import Lock,Thread
import time,os
'''
python多线程详解
什么是线程？
线程也叫轻量级进程，是操作系统能够进行运算调度的最小单位，它被包涵在进程之中，是进程中的实际运作单位。
线程自己不拥有系统资源，只拥有1点儿在运行中必不可少的资源，但它可与同属1个进程的其他线程共享进程所
拥有的全部资源。1个线程可以创建和撤销另1个线程，同1个进程中的多个线程之间可以并发执行
'''
'''
为什么要使用多线程？
线程在程序中是独立的、并发的执行流。与分隔的进程相比，进程中线程之间的隔离程度要小，它们共享内存、文件句柄
和其他进程应有的状态。
因为线程的划分尺度小于进程，使得多线程程序的并发性高。进程在执行过程之中拥有独立的内存单元，而多个线程共享
内存，从而极大的提升了程序的运行效率。
线程比进程具有更高的性能，这是由于同1个进程中的线程都有共性，多个线程共享1个进程的虚拟空间。线程的共享环境
包括进程代码段、进程的共有数据等，利用这些共享的数据，线程之间很容易实现通信。
操作系统在创建进程时，必须为改进程分配独立的内存空间，并分配大量的相关资源，但创建线程则简单得多。因此，使用多线程
来实现并发比使用多进程的性能高得要多。
'''
'''
总结起来，使用多线程编程具有如下几个优点：
进程之间不能共享内存，但线程之间共享内存非常容易。
操作系统在创建进程时，需要为该进程重新分配系统资源，但创建线程的代价则小得多。因此使用多线程来实现多任务并发执行比使用多进程的效率高
python语言内置了多线程功能支持，而不是单纯地作为底层操作系统的调度方式，从而简化了python的多线程编程。
'''
'''
普通创建方式
'''
# def run(n):
# print('task',n)
# time.sleep(1)
# print('2s')
# time.sleep(1)
# print('1s')
# time.sleep(1)
# print('0s')
# time.sleep(1)
#
# if __name__ == '__main__':
# t1 = threading.Thread(target=run,args=('t1',)) # target是要执行的函数名（不是函数），args是函数对应的参数，以元组的形式存在
# t2 = threading.Thread(target=run,args=('t2',))
# t1.start()
# t2.start()
'''
自定义线程：继承threading.Thread来定义线程类，其本质是重构Thread类中的run方法
'''
# class MyThread(threading.Thread):
# def __init__(self,n):
# super(MyThread,self).__init__() #重构run函数必须写
# self.n = n
#
# def run(self):
# print('task',self.n)
# time.sleep(1)
# print('2s')
# time.sleep(1)
# print('1s')
# time.sleep(1)
# print('0s')
# time.sleep(1)
#
# if __name__ == '__main__':
# t1 = MyThread('t1')
# t2 = MyThread('t2')
# t1.start()
# t2.start()
'''
守护线程
下面这个例子，这里使用setDaemon(True)把所有的子线程都变成了主线程的守护线程，
因此当主线程结束后，子线程也会随之结束，所以当主线程结束后，整个程序就退出了。
所谓'线程守护'，就是主线程不管该线程的执行情况，只要是其他子线程结束且主线程执行完毕，主线程都会关闭。也就是说:主线程不等待该守护线程的执行完再去关闭。
'''
# def run(n):
# print('task',n)
# time.sleep(1)
# print('3s')
# time.sleep(1)
# print('2s')
# time.sleep(1)
# print('1s')
#
# if __name__ == '__main__':
# t=threading.Thread(target=run,args=('t1',))
# t.setDaemon(True)
# t.start()
# print('end')
'''
通过执行结果可以看出，设置守护线程之后，当主线程结束时，子线程也将立即结束，不再执行
'''
'''
主线程等待子线程结束
为了让守护线程执行结束之后，主线程再结束，我们可以使用join方法，让主线程等待子线程执行
'''
# def run(n):
# print('task',n)
# time.sleep(2)
# print('5s')
# time.sleep(2)
# print('3s')
# time.sleep(2)
# print('1s')
# if __name__ == '__main__':
# t=threading.Thread(target=run,args=('t1',))
# t.setDaemon(True) #把子线程设置为守护线程，必须在start()之前设置
# t.start()
# t.join() #设置主线程等待子线程结束
# print('end')
'''
多线程共享全局变量
线程时进程的执行单元，进程时系统分配资源的最小执行单位，所以在同1个进程中的多线程是共享资源的
'''
# g_num = 100
# def work1():
# global g_num
# for i in range(3):
# g_num+=1
# print('in work1 g_num is : %d' % g_num)
#
# def work2():
# global g_num
# print('in work2 g_num is : %d' % g_num)
#
# if __name__ == '__main__':
# t1 = threading.Thread(target=work1)
# t1.start()
# time.sleep(1)
# t2=threading.Thread(target=work2)
# t2.start()
'''
由于线程之间是进行随机调度，并且每个线程可能只执行n条执行之后，当多个线程同时修改同1条数据时可能会出现脏数据，
所以出现了线程锁，即同1时刻允许1个线程执行操作。线程锁用于锁定资源，可以定义多个锁，像下面的代码，当需要独占
某1个资源时，任何1个锁都可以锁定这个资源，就好比你用不同的锁都可以把这个相同的门锁住1样。
由于线程之间是进行随机调度的，如果有多个线程同时操作1个对象，如果没有很好地保护该对象，会造成程序结果的不可预期，
我们因此也称为“线程不安全”。
为了防止上面情况的发生，就出现了互斥锁（Lock）
'''
# def work():
# global n
# lock.acquire()
# temp = n
# time.sleep(0.1)
# n = temp-1
# lock.release()
#
#
# if __name__ == '__main__':
# lock = Lock()
# n = 100
# l = []
# for i in range(100):
# p = Thread(target=work)
# l.append(p)
# p.start()
# for p in l:
# p.join()
'''
递归锁：RLcok类的用法和Lock类1模1样，但它支持嵌套，在多个锁没有释放的时候1般会使用RLock类
'''
# def func(lock):
# global gl_num
# lock.acquire()
# gl_num += 1
# time.sleep(1)
# print(gl_num)
# lock.release()
#
#
# if __name__ == '__main__':
# gl_num = 0
# lock = threading.RLock()
# for i in range(10):
# t = threading.Thread(target=func,args=(lock,))
# t.start()
'''
信号量（BoundedSemaphore类）
互斥锁同时只允许1个线程更改数据，而Semaphore是同时允许1定数量的线程更改数据，比如厕所有3个坑，
那最多只允许3个人上厕所，后面的人只能等里面有人出来了才能再进去
'''
# def run(n,semaphore):
# semaphore.acquire() #加锁
# time.sleep(3)
# print('run the thread:%s\n' % n)
# semaphore.release() #释放
#
#
# if __name__== '__main__':
# num=0
# semaphore = threading.BoundedSemaphore(5) #最多允许5个线程同时运行
# for i in range(22):
# t = threading.Thread(target=run,args=('t-%s' % i,semaphore))
# t.start()
# while threading.active_count() !=1:
# pass
# else:
# print('----------all threads done-----------')
'''
python线程的事件用于主线程控制其他线程的执行，事件是1个简单的线程同步对象，其主要提供以下的几个方法：
clear将flag设置为 False
set将flag设置为 True
is_set判断是否设置了flag
wait会1直监听flag，如果没有检测到flag就1直处于阻塞状态
事件处理的机制：全局定义了1个Flag，当Flag的值为False，那么event.wait()就会阻塞，当flag值为True，
那么event.wait()便不再阻塞
'''
event = threading.Event()
def lighter():
count = 0
event.set() #初始者为绿灯
while True:
if 5 < count <=10:
event.clear() #红灯，清除标志位
print("\33[41;lmred light is on...\033[0m]")
elif count > 10:
event.set() #绿灯，设置标志位
count = 0
else:
print('\33[42;lmgreen light is on...\033[0m')
time.sleep(1)
count += 1
def car(name):
while True:
if event.is_set(): #判断是否设置了标志位
print('[%s] running.....'%name)
time.sleep(1)
else:
print('[%s] sees red light,waiting...'%name)
event.wait()
print('[%s] green light is on,start going...'%name)
# startTime = time.time()
light = threading.Thread(target=lighter,)
light.start()
car = threading.Thread(target=car,args=('MINT',))
car.start()
endTime = time.time()
# print('用时：',endTime-startTime)
'''
GIL 全局解释器
在非python环境中，单核情况下，同时只能有1个任务执行。多核时可以支持多个线程同时执行。但是在python中，无论有多少个核
同时只能执行1个线程。究其原因，这就是由于GIL的存在导致的。
GIL的全程是全局解释器，来源是python设计之初的考虑，为了数据安全所做的决定。某个线程想要执行，必须先拿到GIL，我们可以
把GIL看做是“通行证”，并且在1个python进程之中，GIL只有1个。拿不到线程的通行证，并且在1个python进程中，GIL只有1个，
拿不到通行证的线程，就不允许进入CPU执行。GIL只在cpython中才有，因为cpython调用的是c语言的原生线程，所以他不能直接操
作cpu，而只能利用GIL保证同1时间只能有1个线程拿到数据。而在pypy和jpython中是没有GIL的
python在使用多线程的时候，调用的是c语言的原生过程。
'''
'''
python针对不同类型的代码执行效率也是不同的
1、CPU密集型代码（各种循环处理、计算等），在这种情况下，由于计算工作多，ticks技术很快就会达到阀值，然后出发GIL的
释放与再竞争（多个线程来回切换当然是需要消耗资源的），所以python下的多线程对CPU密集型代码并不友好。
2、IO密集型代码（文件处理、网络爬虫等设计文件读写操作），多线程能够有效提升效率（单线程下有IO操作会进行IO等待，
造成不必要的时间浪费，而开启多线程能在线程A等待时，自动切换到线程B，可以不浪费CPU的资源，从而能提升程序的执行
效率）。所以python的多线程对IO密集型代码比较友好。
'''
'''
主要要看任务的类型，我们把任务分为I/O密集型和计算密集型，而多线程在切换中又分为I/O切换和时间切换。如果任务属于是I/O密集型，
若不采用多线程，我们在进行I/O操作时，势必要等待前面1个I/O任务完成后面的I/O任务才能进行，在这个等待的过程中，CPU处于等待
状态，这时如果采用多线程的话，刚好可以切换到进行另1个I/O任务。这样就刚好可以充分利用CPU避免CPU处于闲置状态，提高效率。但是
如果多线程任务都是计算型，CPU会1直在进行工作，直到1定的时间后采取多线程时间切换的方式进行切换线程，此时CPU1直处于工作状态，
此种情况下并不能提高性能，相反在切换多线程任务时，可能还会造成时间和资源的浪费，导致效能下降。这就是造成上面两种多线程结果不能的解释。
结论:I/O密集型任务，建议采取多线程，还可以采用多进程+协程的方式(例如:爬虫多采用多线程处理爬取的数据)；对于计算密集型任务，python此时就不适用了。
'''