Noah Gift, 软件工程师, Giftcs
简介： 通过将线程和队列 结合在一起，可以轻松地在 Python 中完成线程编程。本文将研究同时使用线程和队列，创建一些简单但有效的模式，以解决需要并发处理的问题。
对于 Python 来说，并不缺少并发选项，其标准库中包括了对线程、进程和异步 I/O 的支持。在许多情况下，通过创建诸如异步、线程和子进程之类的高层模块，Python 简化了各种并发方法的使用。除了标准库之外，还有一些第三方的解决方案，例如 Twisted、Stackless 和进程模块。本文重点关注于使用 Python 的线程，并使用了一些实际的示例进行说明。虽然有许多很好的联机资源详细说明了线程 API，但本文尝试提供一些实际的示例，以说明一些常见的线程使用模式。
首先弄清进程和线程之间的区别，这一点是非常重要的。线程与进程的不同之处在于，它们共享状态、内存和资源。对于线程来说，这个简单的区别既是它的优势，又是它的缺点。一方面，线程是轻量级的，并且相互之间易于通信，但另一方面，它们也带来了包括死锁、争用条件和高复杂性在内的各种问题。幸运的是，由于 GIL 和队列模块，与采用其他的语言相比，采用 Python 语言在线程实现的复杂性上要低得多。
要继续学习本文中的内容，我假定您已经安装了 Python 2.5 或者更高版本，因为本文中的许多示例都将使用 Python 语言的新特性，而这些特性仅出现于 Python2.5 之后。要开始使用 Python 语言的线程，我们将从简单的 "Hello World" 示例开始：
import threading
import datetime
class ThreadClass(threading.Thread):
def run(self):
now = datetime.datetime.now()
print "%s says Hello World at time: %s" %
(self.getName(), now)
for i in range(2):
t = ThreadClass()
t.start()
|
如果运行这个示例，您将得到下面的输出：
# python hello_threads.py
Thread-1 says Hello World at time: 2008-05-13 13:22:50.252069
Thread-2 says Hello World at time: 2008-05-13 13:22:50.252576
|
仔细观察输出结果，您可以看到从两个线程都输出了 Hello World 语句，并都带有日期戳。如果分析实际的代码，那么将发现其中包含两个导入语句；一个语句导入了日期时间模块，另一个语句导入线程模块。类 ThreadClass 继承自 threading.Thread，也正因为如此，您需要定义一个 run 方法，以此执行您在该线程中要运行的代码。在这个 run 方法中唯一要注意的是，self.getName() 是一个用于确定该线程名称的方法。
最后三行代码实际地调用该类，并启动线程。如果注意的话，那么会发现实际启动线程的是 t.start()。在设计线程模块时考虑到了继承，并且线程模块实际上是建立在底层线程模块的基础之上的。对于大多数情况来说，从 threading.Thread 进行继承是一种最佳实践，因为它创建了用于线程编程的常规 API。
如前所述，当多个线程需要共享数据或者资源的时候，可能会使得线程的使用变得复杂。线程模块提供了许多同步原语，包括信号量、条件变量、事件和锁。当这些选项存在时，最佳实践是转而关注于使用队列。相比较而言，队列更容易处理，并且可以使得线程编程更加安全，因为它们能够有效地传送单个线程对资源的所有访问，并支持更加清晰的、可读性更强的设计模式。
在下一个示例中，您将首先创建一个以串行方式或者依次执行的程序，获取网站的 URL，并显示页面的前 1024 个字节。有时使用线程可以更快地完成任务，下面就是一个典型的示例。首先，让我们使用 urllib2 模块以获取这些页面（一次获取一个页面），并且对代码的运行时间进行计时：
import urllib2
import time
hosts = ["http://yahoo.com", "http://google.com", "http://amazon.com",
"http://ibm.com", "http://apple.com"]
start = time.time()
#grabs urls of hosts and prints first 1024 bytes of page
for host in hosts:
url = urllib2.urlopen(host)
print url.read(1024)
print "Elapsed Time: %s" % (time.time() - start)
|
在运行以上示例时，您将在标准输出中获得大量的输出结果。但最后您将得到以下内容：
Elapsed Time: 2.40353488922
|
让我们仔细分析这段代码。您仅导入了两个模块。首先，urllib2 模块减少了工作的复杂程度，并且获取了 Web 页面。然后，通过调用 time.time()，您创建了一个开始时间值，然后再次调用该函数，并且减去开始值以确定执行该程序花费了多长时间。最后分析一下该程序的执行速度，虽然“2.5 秒”这个结果并不算太糟，但如果您需要检索数百个 Web 页面，那么按照这个平均值，就需要花费大约 50 秒的时间。研究如何创建一种可以提高执行速度的线程化版本：
#!/usr/bin/env python
import Queue
import threading
import urllib2
import time
hosts = ["http://yahoo.com", "http://google.com", "http://amazon.com",
"http://ibm.com", "http://apple.com"]
queue = Queue.Queue()
class ThreadUrl(threading.Thread):
"""Threaded Url Grab"""
def __init__(self, queue):
threading.Thread.__init__(self)
self.queue = queue
def run(self):
while True:
#grabs host from queue
host = self.queue.get()
#grabs urls of hosts and prints first 1024 bytes of page
url = urllib2.urlopen(host)
print url.read(1024)
#signals to queue job is done
self.queue.task_done()
start = time.time()
def main():
#spawn a pool of threads, and pass them queue instance
for i in range(5):
t = ThreadUrl(queue)
t.setDaemon(True)
t.start()
#populate queue with data
for host in hosts:
queue.put(host)
#wait on the queue until everything has been processed
queue.join()
main()
print "Elapsed Time: %s" % (time.time() - start)
|
对于这个示例，有更多的代码需要说明，但与第一个线程示例相比，它并没有复杂多少，这正是因为使用了队列模块。在 Python 中使用线程时，这个模式是一种很常见的并且推荐使用的方式。具体工作步骤描述如下：
- 创建一个
Queue.Queue()的实例，然后使用数据对它进行填充。 - 将经过填充数据的实例传递给线程类，后者是通过继承
threading.Thread的方式创建的。 - 生成守护线程池。
- 每次从队列中取出一个项目，并使用该线程中的数据和 run 方法以执行相应的工作。
- 在完成这项工作之后，使用
queue.task_done()函数向任务已经完成的队列发送一个信号。 - 对队列执行 join 操作，实际上意味着等到队列为空，再退出主程序。
在使用这个模式时需要注意一点：通过将守护线程设置为 true，将允许主线程或者程序仅在守护线程处于活动状态时才能够退出。这种方式创建了一种简单的方式以控制程序流程，因为在退出之前，您可以对队列执行 join 操作、或者等到队列为空。队列模块文档详细说明了实际的处理过程，请参见参考资料：
join()
保持阻塞状态，直到处理了队列中的所有项目为止。在将一个项目添加到该队列时，未完成的任务的总数就会增加。当使用者线程调用 task_done() 以表示检索了该项目、并完成了所有的工作时，那么未完成的任务的总数就会减少。当未完成的任务的总数减少到零时，join()就会结束阻塞状态。
因为上面介绍的模式非常有效，所以可以通过连接附加线程池和队列来进行扩展，这是相当简单的。在上面的示例中，您仅仅输出了 Web 页面的开始部分。而下一个示例则将返回各线程获取的完整 Web 页面，然后将结果放置到另一个队列中。然后，对加入到第二个队列中的另一个线程池进行设置，然后对 Web 页面执行相应的处理。这个示例中所进行的工作包括使用一个名为 Beautiful Soup 的第三方 Python 模块来解析 Web 页面。使用这个模块，您只需要两行代码就可以提取所访问的每个页面的 title 标记，并将其打印输出。
import Queue
import threading
import urllib2
import time
from BeautifulSoup import BeautifulSoup
hosts = ["http://yahoo.com", "http://google.com", "http://amazon.com",
"http://ibm.com", "http://apple.com"]
queue = Queue.Queue()
out_queue = Queue.Queue()
class ThreadUrl(threading.Thread):
"""Threaded Url Grab"""
def __init__(self, queue, out_queue):
threading.Thread.__init__(self)
self.queue = queue
self.out_queue = out_queue
def run(self):
while True:
#grabs host from queue
host = self.queue.get()
#grabs urls of hosts and then grabs chunk of webpage
url = urllib2.urlopen(host)
chunk = url.read()
#place chunk into out queue
self.out_queue.put(chunk)
#signals to queue job is done
self.queue.task_done()
class DatamineThread(threading.Thread):
"""Threaded Url Grab"""
def __init__(self, out_queue):
threading.Thread.__init__(self)
self.out_queue = out_queue
def run(self):
while True:
#grabs host from queue
chunk = self.out_queue.get()
#parse the chunk
soup = BeautifulSoup(chunk)
print soup.findAll(['title'])
#signals to queue job is done
self.out_queue.task_done()
start = time.time()
def main():
#spawn a pool of threads, and pass them queue instance
for i in range(5):
t = ThreadUrl(queue, out_queue)
t.setDaemon(True)
t.start()
#populate queue with data
for host in hosts:
queue.put(host)
for i in range(5):
dt = DatamineThread(out_queue)
dt.setDaemon(True)
dt.start()
#wait on the queue until everything has been processed
queue.join()
out_queue.join()
main()
print "Elapsed Time: %s" % (time.time() - start)
|
如果运行脚本的这个版本，您将得到下面的输出：
# python url_fetch_threaded_part2.py [<title>Google</title>] [<title>Yahoo!</title>] [<title>Apple</title>] [<title>IBM United States</title>] [<title>Amazon.com: Online Shopping for Electronics, Apparel, Computers, Books, DVDs & more</title>] Elapsed Time: 3.75387597084 |
分析这段代码时您可以看到，我们添加了另一个队列实例，然后将该队列传递给第一个线程池类 ThreadURL。接下来，对于另一个线程池类 DatamineThread，几乎复制了完全相同的结构。在这个类的 run 方法中，从队列中的各个线程获取 Web 页面、文本块，然后使用 Beautiful Soup 处理这个文本块。在这个示例中，使用 Beautiful Soup 提取每个页面的 title 标记、并将其打印输出。可以很容易地将这个示例推广到一些更有价值的应用场景，因为您掌握了基本搜索引擎或者数据挖掘工具的核心内容。一种思想是使用 Beautiful Soup 从每个页面中提取链接，然后按照它们进行导航。
本文研究了 Python 的线程，并且说明了如何使用队列来降低复杂性和减少细微的错误、并提高代码可读性的最佳实践。尽管这个基本模式比较简单，但可以通过将队列和线程池连接在一起，以便将这个模式用于解决各种各样的问题。在最后的部分中，您开始研究如何创建更复杂的处理管道，它可以用作未来项目的模型。参考资料部分提供了很多有关常规并发性和线程的极好的参考资料。
最后，还有很重要的一点需要指出，线程并不能解决所有的问题，对于许多情况，使用进程可能更为合适。特别是，当您仅需要创建许多子进程并对响应进行侦听时，那么标准库子进程模块可能使用起来更加容易。有关更多的官方说明文档，请参考参考资料部分。
| 描述 | 名字 | 大小 | 下载方法 |
|---|---|---|---|
| Sample threading code for this article | threading_code.zip | 24KB | HTTP |
学习
- 您可以参阅本文在 developerWorks 全球站点上的 英文原文 。
- 这个线程模块为多线程的使用提供了底层原语。
- 这个线程化模块在较低层次线程模块的基础上构造了高层次的线程接口。
- PMOTW 线程模块允许您在相同的进程空间中并发地执行多项操作。
- GIL 和线程状态
- 阅读 Threading the Global Interpreter Lock。
- 并发和 Python
- Asyncore 模块提供了以异步的方式写入套接字服务客户端和服务器的基础结构。
- 了解 Wikipedia 如何定义线程。
- 了解如何在软件中实现并发 Free Lunch Is Over
- 队列模块
- Beautiful Soup 是一种面向 Python 语言的 HTML/XML 解析器，它甚至可以将无效的标记转换为解析树。
- 子线程模块允许您生成新的进程，连接到它们的输入/输出/错误管道，并获取它们的返回代码。
- AIX and UNIX 专区：developerWorks 的“AIX and UNIX 专区”提供了大量与 AIX 系统管理的所有方面相关的信息，您可以利用它们来扩展自己的 UNIX 技能。
- AIX and UNIX 新手入门：访问“AIX and UNIX 新手入门”页面可了解更多关于 AIX 和 UNIX 的内容。
- AIX and UNIX 专题汇总：AIX and UNIX 专区已经为您推出了很多的技术专题，为您总结了很多热门的知识点。我们在后面还会继续推出很多相关的热门专题给您，为了方便您的访问，我们在这里为您把本专区的所有专题进行汇总，让您更方便的找到您需要的内容。
- developerWorks 技术事件和网络广播：了解最新的 developerWorks 技术事件和网络广播。
- Podcast：收听 Podcast 并与 IBM 技术专家保持同步。
==============================================================================
