首页 > 系统相关 >Python并发编程之进程池,线程池与信号量

Python并发编程之进程池,线程池与信号量

时间：2024-01-25 17:47:08浏览次数：39  
标签：__ Python 信号量 callback 任务 线程 print msg

【一】进程池和线程池

【0】池

  • 池的概念：

  1. 资源管理： 池用于管理和维护一组资源（如进程或线程），而不是每次需要时都创建和销毁这些资源。这有助于减少创建和销毁的开销。
  2. 并发处理： 池允许并发地执行多个任务，每个任务由池中的一个资源处理。这提高了程序的并发性能。
  3. 任务队列： 池通常与任务队列结合使用。任务被提交到队列，然后由池中的资源异步地处理这些任务。这样可以有效地分配和利用资源。

  • 好处：

  1. 资源重用： 池允许重复使用已经创建的资源，而不是为每个任务都创建一个新的资源。这减少了资源创建和销毁的开销，提高了程序的效率。
  2. 性能提升： 池的并发执行机制可以显著提高程序的性能。通过同时执行多个任务，池允许利用多核处理器和多线程/进程的优势。
  3. 避免资源耗尽： 在一些并发场景下，如果不使用池，可能会导致系统资源耗尽，例如过多的进程或线程。池通过限制资源的数量和管理任务队列，避免了这些问题。
  4. 简化代码： 池提供了高级别的接口，简化了并发编程的复杂性。通过将任务提交到池，开发人员可以更专注于任务逻辑，而无需手动管理底层的并发细节。
  5. 控制并发度： 池允许开发人员控制并发度，即同时执行的任务数量。这可以根据系统资源和应用需求进行调整，避免过度并发导致性能下降。
  • 当规定好了池的大小，如果超出池容量的任务将会等待，进程或线程使用的资源就是固定的
    • 比如我为我的池分配了任务，这些任务所需的资源为1G，资源就固定为1G，不会超出这个大小

【1】进程池

进程池是一种用于管理和重复使用进程的机制，它可以提高并发性能、减少资源开销，并简化进程的创建和销毁过程。在 Python 中，可以使用 multiprocessing 模块提供的 Pool 类来创建进程池。

Pool 类的主要目标是提供一种方便的方式来并行执行函数。它创建一组工作进程，并分配任务给这些进程。

使用进程池的优势包括：

  • 并行执行： 进程池可以同时运行多个任务，提高程序的并发性能。
  • 资源重用： 进程池会在初始化时创建一组工作进程，并在多次执行任务时重复使用这些进程，减少了创建和销毁进程的开销。
  • 简化代码： 使用进程池可以更方便地并行执行函数，而无需手动管理多个进程的细节。
import os
from multiprocessing import Pool,Process

def f1(n):
    print(os.getpid())
    return n * n

if __name__ == '__main__':
    # 创建进程池
    pool = Pool(3)
    print(os.getpid())
    for i in range(6):
        # 设置6个任务
        res = pool.apply(f1, args=(i,))
        print(res)
    print("======")
    
    
    '''等价于'''
    # 并且当进程池多，任务少，计算机会自动调节，不会进程全开，可以减少资源的消耗
    # 且进程池大小固定，固定资源消耗
    process_list = [Process(target =f1,args=(n,) for n in range(3))]
    [process.start() for process in process_list]
    [process.join() for process in process_list]

image-20240124200922390

【1.1】参数介绍

'''来自源码'''
def Pool(self, processes=None, initializer=None, initargs=(),
         maxtasksperchild=None):
    ...
    
def __init__(self, processes=None, initializer=None, initargs=(),
                 maxtasksperchild=None, context=None):
  • process:
    • 要创建的进程数，如果省略，将默认使用cpu_count()的值
  • initializer：
    • 是每个工作进程启动时要执行的可调用对象，默认为None
  • initargs：
    • 是要传给initializer的参数组
  • maxtasksperchild:
    • 指定每个子进程执行的任务数量上限。一旦子进程执行了指定数量的任务，该子进程将会被终止，然后新的子进程将会被创建

【1.2】常用方法

  1. map(func, iterable[, chunksize=None])：
    • 作用：将函数 func 应用于 iterable 中的每个元素，返回结果列表。类似于内置函数 map()，但使用进程池并行处理。
    • 参数：
      • func: 要映射的函数。
      • iterable: 要处理的可迭代对象。
      • chunksize: 每个任务的数据块大小，影响任务的划分方式。
  2. imap(func, iterable[, chunksize=None])：
    • 作用：返回一个迭代器，通过迭代获取并行处理的结果。与 map() 类似，但是不会立即返回结果列表，而是在需要时逐步获取。
    • 参数同 map()。
  3. apply(func, args=(), kwds={})：
    • 作用：将函数 func 应用于参数 args 和关键字参数 kwds，返回结果。
    • 参数：
      • func: 要执行的函数。
      • args: 函数的位置参数，以元组形式传递。
      • kwds: 函数的关键字参数，以字典形式传递。
  4. apply_async(func, args=(), kwds={}, callback=None, error_callback=None)：
    • 作用：异步地将函数 func 应用于参数 args 和关键字参数 kwds。返回一个 AsyncResult 对象，可用于获取异步执行的结果。
    • 参数：
      • func: 要执行的函数。
      • args: 函数的位置参数，以元组形式传递。
      • kwds: 函数的关键字参数，以字典形式传递。
      • callback: 在任务完成时调用的回调函数。
      • error_callback: 在任务发生异常时调用的回调函数。
  5. map_async(func, iterable[, chunksize=None, callback=None, error_callback=None])：
    • 作用：异步地将函数 func 应用于 iterable 中的每个元素，返回一个 AsyncResult 对象，可用于获取异步执行的结果。
    • 参数：
      • func: 要映射的函数。
      • iterable: 要处理的可迭代对象。
      • chunksize: 每个任务的数据块大小，影响任务的划分方式。
      • callback: 在任务完成时调用的回调函数。
      • error_callback: 在任务发生异常时调用的回调函数。
  6. close()：
    • 作用：关闭进程池，阻止添加新的任务。已经添加的任务将继续执行。
  7. terminate()：
    • 作用：立即终止所有的工作进程，不等待它们完成。
  8. join()：
    • 作用：等待所有工作进程完成。

【1.3】基于进程池优化TCP协议的高并发程序

【1.3.1】回顾

'''server'''
from socket import *
from multiprocessing import Process

server = socket(AF_INET, SOCK_STREAM)
server.setsockopt(SOL_SOCKET, SO_REUSEADDR, 1)
server.bind(('127.0.0.1', 8080))
server.listen(5)


def talk(conn, client_addr):
    while True:
        try:
            msg = conn.recv(1024)
            if not msg: break
            decode_msg = msg.decode('utf8')
            if decode_msg == 'q':
                print(f"【{client_addr}】断开连接！")
                conn.send(b'q')
                break
            print(f"来自【{client_addr}】的消息【{decode_msg}】")
            conn.send(msg.upper())
        except Exception as e:
            print(f"出现了错误:{e}")
            break


if __name__ == '__main__':  # windows下start进程一定要写到这下面
    while True:
        conn, client_addr = server.accept()
        p = Process(target=talk, args=(conn, client_addr))
        p.start()

'''client'''
import socket

client = socket.socket()
client.connect(('127.0.0.1', 8080))

while True:
    send_msg = input("请输入转为大写的字母:").strip()
    if not send_msg.isalpha():
        print("请输入字母！")
        continue
    send_msg = send_msg.encode('utf8')
    client.send(send_msg)
    recv_msg = client.recv(1024)
    if recv_msg == b'q':
        print("已断开与服务器的连接")
        break
    print(recv_msg.decode('utf8'))
  • 问题：
    • 当同一时刻，接入的客户端非常多时，来一个客户端开设一个，将会对CPU造成很大的压力

【1.3.2】优化

from socket import *
from multiprocessing import Pool

server = socket(AF_INET, SOCK_STREAM)
server.setsockopt(SOL_SOCKET, SO_REUSEADDR, 1)
server.bind(('127.0.0.1', 8080))
server.listen(5)


def talk(conn, client_addr):
    while True:
        try:
            msg = conn.recv(1024)
            if not msg: break
            decode_msg = msg.decode('utf8')
            if decode_msg == 'q':
                print(f"【{client_addr}】断开连接！")
                conn.send(b'q')
                break
            print(f"来自【{client_addr}】的消息【{decode_msg}】")
            conn.send(msg.upper())
        except Exception as e:
            print(f"出现了错误:{e}")
            break


if __name__ == '__main__':  # windows下start进程一定要写到这下面
    '''创建线程池，限制同一时间只接受3个客户端，第4个将等待'''
    pool = Pool(3)
    while True:
        conn, client_addr = server.accept()
        pool.apply_async(talk, args=(conn, client_addr))
  • 客户端不变
import socket

client = socket.socket()
client.connect(('127.0.0.1', 8080))

while True:
    send_msg = input("请输入转为大写的字母:").strip()
    if not send_msg.isalpha():
        print("请输入字母！")
        continue
    send_msg = send_msg.encode('utf8')
    client.send(send_msg)
    recv_msg = client.recv(1024)
    if recv_msg == b'q':
        print("已断开与服务器的连接")
        break
    print(recv_msg.decode('utf8'))

【1.4】multiprocessing 模块与concurrent.futures 模块中的进程池区别

​ multiprocessing 模块中的 Pool 类与 concurrent.futures 模块中的 ProcessPoolExecutor 类都提供了进程池的实现，但它们之间有一些细微的区别。

  1. 模块的归属：
    • multiprocessing.Pool 属于 multiprocessing 模块，专门用于并行处理。
    • concurrent.futures.ProcessPoolExecutor 属于 concurrent.futures 模块，提供通用的并发执行框架，其中包括线程池和进程池。
  2. API 的设计：
    • multiprocessing.Pool 的 API 设计更为简单，适合于简单的并行任务。
    • concurrent.futures.ProcessPoolExecutor 的 API 设计更加通用，与 concurrent.futures 模块中的其他执行器（如 ThreadPoolExecutor）保持一致，提供更多灵活性。
  3. 上下文管理器：
    • concurrent.futures.ProcessPoolExecutor 支持使用 with 语句作为上下文管理器，可以更方便地管理资源的释放。
    • multiprocessing.Pool 也可以使用 with 语句，但在某些情况下可能需要注意。
  4. 异常处理：
    • concurrent.futures.ProcessPoolExecutor 使用 concurrent.futures 模块的异常处理机制，可以通过 as_completed 或 wait 方法获取异常。
    • multiprocessing.Pool 使用 imap 和 imap_unordered 等方法时，异常处理相对较为复杂，可能需要使用特定的方式来获取异常。
  5. 其他特性：
    • multiprocessing.Pool 提供了一些额外的方法，如 map_async、imap_unordered 等，用于更灵活地处理异步任务。
    • concurrent.futures.ProcessPoolExecutor 提供了 submit 方法，使得可以更方便地提交任务，并获取 Future 对象。

总体而言，选择使用哪个取决于具体的需求。如果只需要进行简单的并行任务，multiprocessing.Pool 可能更为直观和简单。如果需要更通用的并发执行框架，并且希望在不同类型的执行器之间切换，可以考虑使用 concurrent.futures.ProcessPoolExecutor。

【2】线程池

在 Python 中，线程池的常用实现是使用 concurrent.futures 模块提供的 ThreadPoolExecutor 类。

【2.1】参数介绍

'''来自源码'''
def __init__(self, max_workers=None, thread_name_prefix='',
             initializer=None, initargs=()):
  1. max_workers：
    • 作用：指定线程池中最大的线程数。
    • 类型：整数。
    • 默认值：None，表示根据系统的情况自动选择合适的线程数。
  2. thread_name_prefix：
    • 作用：为线程池中的线程设置一个名称前缀，用于标识线程池中的线程。
    • 类型：字符串。
    • 默认值：空字符串。
  3. initializer：
    • 作用：一个可调用对象，当线程被启动时会调用这个函数。
    • 类型：可调用对象，通常是一个函数。
    • 默认值：None，表示不需要初始化函数。
  4. initargs：
    • 作用：传递给初始化函数 initializer 的参数，以元组形式提供。
    • 类型：元组。
    • 默认值：空元组。

【2.2】常用方法

以下是线程池中的一些主要方法和操作：

  • ThreadPoolExecutor(max_workers=None)：

    • 作用：创建线程池对象，指定最大线程数 max_workers。

  • submit(func, \*args, \**kwargs)：

    • 作用：将函数 func 提交到线程池执行，并返回一个 Future 对象，用于获取函数执行的结果。
    • 参数：
      • func: 要执行的函数。
      • args: 函数的位置参数，以元组形式传递。
      • kwargs: 函数的关键字参数，以字典形式传递。

  • map(func, \*iterables, timeout=None, chunksize=1)：

    • 作用：将函数 func 应用于 iterables 中的每个元素，返回结果列表。类似于内置函数 map()，但使用线程池并行处理。
    • 参数：
      • func: 要映射的函数。
      • iterables: 要处理的可迭代对象。
      • timeout: 每个线程最大执行时间。
      • chunksize: 每个任务的数据块大小，影响任务的划分方式。

  • shutdown(wait=True)：

    • 作用：关闭线程池，阻止添加新的任务。已经添加的任务将继续执行。
    • 参数：
      • wait: 如果为 True，则等待所有任务完成后再关闭。

  • map_async(func, \*iterables, callback=None)：

    • 作用：异步地将函数 func 应用于 iterables 中的每个元素，返回一个 Future 对象，用于获取异步执行的结果。
    • 参数：
      • func: 要映射的函数。
      • iterables: 要处理的可迭代对象。
      • callback: 在任务完成时调用的回调函数。

  • submit(func, \*args, \**kwargs)：

    • 作用：类似于 ThreadPoolExecutor 的 submit() 方法，将函数 func 提交到线程池执行，并返回一个 Future 对象。

  • as_completed(fs, timeout=None)：

    • 作用：返回一个生成器，迭代在 fs 中完成的 Future 对象。
    • 参数：
      • fs: 一个包含 Future 对象的可迭代对象。
      • timeout: 每个线程最大执行时间。

  • wait(fs, timeout=None, return_when=ALL_COMPLETED)：

    • 作用：等待给定的 Future 对象集合完成。
    • 参数：
      • fs: 一个包含 Future 对象的可迭代对象。
      • timeout: 每个线程最大执行时间。
      • return_when: 指定在何时返回，可以是 ALL_COMPLETED、FIRST_COMPLETED 或 FIRST_EXCEPTION。
from concurrent.futures import ThreadPoolExecutor


# def __init__(self, max_workers=None, thread_name_prefix='',initializer=None, initargs=())

def task(m, n):
    print(m + n)
    # return m + n
    
if __name__ == '__main__':
    # 定义一个线程池，容量为3
    pool = ThreadPoolExecutor(3)

    # 通过submit提交任务
    pool.submit(task, m=1, n=2)
    pool.submit(task, m=2, n=3)
    pool.submit(task, m=3, n=4)
    
    pool.shutdown()   # 相当于join，将会等待线程池中的任务全部完成
    print("====")

【3】使用回调函数获取任务结果

  • 在进程池和线程池中，都是可以通过回调函数来获取到任务执行的结果

【3.1】进程池 multiprocessing.Pool

  • 通过apply_async方法指定callback参数
from multiprocessing import Pool


def square(x):
    return x * x


def callback(result):
    '''回调函数一般是为了对任务执行结果继续加工'''
    result +=1
    print(f"回调函数|{result}")


if __name__ == "__main__":
    # 支持with语句
    with Pool() as pool:
        result_list = []
        # Pool默认大小是cpu数量
        # 通过apply_async提交任务
        result_async1 = pool.apply_async(square, (10,), callback=callback)
        result_async2 = pool.apply_async(square, (5,), callback=callback)
        result_async3 = pool.apply_async(square, (2,), callback=callback)

        result_list.append(result_async1)
        result_list.append(result_async2)
        result_list.append(result_async3)

        # print(result_async1)  # <multiprocessing.pool.ApplyResult object at 0x000001C8DC903D60>
        # 获取异步任务的返回值
        for result in result_list:
            '''可以通过回调函数打印值，也可以通过.get()拿到值'''
            print(f"主进程打印|{result.get()}")
        # 等待所有异步任务完成
        pool.close()
        pool.join()
    print("====")

# 回调函数|101
# 回调函数|26
# 回调函数|5
# 主进程打印|100
# 主进程打印|25
# 主进程打印|4
# ====

【3.2】进程池concurrent.futures.ProcessPoolExecutor

from concurrent.futures import ProcessPoolExecutor


def task(m, n):
    # 任务是返回两个参数相加的和
    return m + n
    # 通过回调函数来获取任务的返回值


def callback(res):
    '''
    :param res: 需要通过一个形参去接收需要任务返回的结果
    '''
    # print(res)
    # 通过res.result()来获得值
    print(res.result())
    # 注：callback函数不应该返回东西了，无法通过变量来接收返回值
    return res.result()


if __name__ == '__main__':
    # 定义一个进程池，容量为3
    pool = ProcessPoolExecutor(3)

    # 通过submit提交任务
    # 通过【.add_done_callback(回调函数)】获取值
    res = pool.submit(task, m=1, n=2).add_done_callback(callback)
    res1 = pool.submit(task, m=2, n=3).add_done_callback(callback)
    res2 = pool.submit(task, m=3, n=4).add_done_callback(callback)

    pool.shutdown()  # 相当于join，将会等待线程池中的任务全部完成

    print(res)  # None
    print("====")

【3.3】线程池concurrent.futures.ThreadPoolExecutor

  • 与【3.2】基本一致，通过add_done_callback(callback)获取值
from concurrent.futures import ThreadPoolExecutor


def task(m, n):
    # 任务是返回两个参数相加的和
    return m + n
    # 通过回调函数来获取任务的返回值


def callback(res):
    '''
    :param res: 需要通过一个形参去接收需要任务返回的结果
    '''
    # print(res)
    # 通过res.result()来获得值
    print(res.result())
    # 注：callback函数不应该返回东西了，无法通过变量来接收返回值
    return res.result()


if __name__ == '__main__':
    # 定义一个线程池，容量为3
    pool = ThreadPoolExecutor(3)

    # 通过submit提交任务
    # 通过【.add_done_callback(回调函数)】获取值
    res = pool.submit(task, m=1, n=2).add_done_callback(callback)
    res1 = pool.submit(task, m=2, n=3).add_done_callback(callback)
    res2 = pool.submit(task, m=3, n=4).add_done_callback(callback)

    pool.shutdown()  # 相当于join，将会等待线程池中的任务全部完成

    print(res)  # None
    print("====")

【二】信号量（Semaphore）

  • 与锁的概念有所相似，都是为了保护数据的

【1】信号量

​ 信号量（Semaphore）是一种用于控制对共享资源的访问的同步机制。它是由计数器和相应的操作集合组成的数据结构，用于保护对临界区的访问，以防止并发引起的问题。

信号量主要有两个基本操作：

  1. P（Wait）操作： 当线程进入临界区时，首先执行 P 操作，使信号量的计数器减一。如果计数器为正，线程可以继续执行，否则线程将被阻塞。
  2. V（Signal）操作： 当线程离开临界区时，执行 V 操作，使信号量的计数器加一。这会释放一个被 P 操作阻塞的线程，使其可以继续执行。

信号量的计数器可以看作是可以同时访问共享资源的线程数目。当计数器为正时，表示还有可用的资源，线程可以进入临界区。当计数器为零时，表示所有资源都被占用，线程需要等待。

# 源码介绍
"""This class implements semaphore objects.

    Semaphores manage a counter representing the number of release() calls minus
    the number of acquire() calls, plus an initial value. The acquire() method
    blocks if necessary until it can return without making the counter
    negative. If not given, value defaults to 1."""

"""
这个类实现了信号量对象。

信号量管理一个计数器，该计数器表示 release() 方法调用的次数减去 acquire() 方法调用的次数，再加上一个初始值。acquire() 方法会阻塞，直到它可以在不使计数器为负的情况下返回。如果没有提供初始值，value 默认为 1。
"""

【2】常用方法

  1. threading.Semaphore(value=1):
    • 作用：初始化信号量，设置初始值。默认初始值为 1。
  2. acquire(blocking=True, timeout=None)：
    • 作用：尝试获取信号量。如果信号量的值大于零，将其减一并立即返回；否则，线程将被阻塞，直到信号量的值大于零或超时。如果 blocking 参数为 False，则尝试获取信号量，如果失败立即返回。
  3. release()：
    • 作用：释放信号量，将其值加一。如果有等待的线程，其中一个将被唤醒。
import threading
import time

# 创建一个初始值为2的信号量
semaphore = threading.Semaphore(2)

def worker(semaphore):
    semaphore.acquire()
    print(f"{threading.current_thread().name}正在执行任务")
    time.sleep(0.1)
    print(f"{threading.current_thread().name}结束任务")
    semaphore.release()

# 创建多个线程
threads = [threading.Thread(target=worker,args=(semaphore,)) for i in range(5)]

# 启动线程
for thread in threads:
    thread.start()

# 等待所有线程完成
for thread in threads:
    thread.join()

image-20240125171250189

  • 使用with语句同样可以实现
import threading
import time

# 创建一个初始值为2的信号量
semaphore = threading.Semaphore(2)

def worker():
    with semaphore:
        print(f"{threading.current_thread().name}正在执行任务")
        time.sleep(0.1)
        # 临界区代码
        print(f"{threading.current_thread().name}结束任务")

# 创建多个线程
threads = [threading.Thread(target=worker) for i in range(5)]

# 启动线程
for thread in threads:
    thread.start()

# 等待所有线程完成
for thread in threads:
    thread.join()

【3】线程池与信号量结合使用

  • 信号量（Semaphore）：

    1. 作用： 信号量是一种同步原语，用于控制对共享资源的访问。它维护一个内部计数器，线程通过 acquire() 方法尝试获取信号量，成功则计数器减一，失败则线程被阻塞。通过 release() 方法释放信号量，计数器加一。
    2. 使用场景： 适用于需要限制并发访问某一资源的情况，例如共享的数据结构、文件、网络连接等。

  • 线程池（ThreadPool）：

    1. 作用： 线程池是一组预先创建的线程，用于执行异步任务。它可以管理线程的生命周期、复用线程以减少创建和销毁的开销，并提供任务队列，让任务在线程池中异步执行。
    2. 使用场景： 适用于需要异步执行大量任务的情况，例如并行计算、IO密集型操作等。

  • 结合使用：

    • 在一些情况下，你可能希望在使用线程池执行任务时，限制对某一共享资源的并发访问。这时，信号量可以用于控制对共享资源的访问。例如，在一个线程池中执行多个任务，但这些任务需要访问同一个文件资源，你可以使用信号量确保同时只有一个任务能够访问该文件。
import threading
import time
from concurrent.futures import ThreadPoolExecutor

def worker(semaphore, resource):
    with semaphore:
        print(f"{threading.current_thread().name}申请资源")
        # 模拟对共享资源的操作
        time.sleep(1)
        print(f"T{threading.current_thread().name} 使用资源: {resource}")
        print(f"{threading.current_thread().name} 释放资源")
    return f"{resource}执行完毕"

if __name__ == "__main__":
    # 创建信号量，初始值为2
    sem = threading.Semaphore(value=2)

    # 创建线程池
    with ThreadPoolExecutor(max_workers=3) as executor:
        # 提交多个任务给线程池
        tasks = [executor.submit(worker, sem, f"Thread-{i}") for i in range(5)]

        # 等待所有任务完成
        for future in tasks:
            # print(future)  # <Future at 0x1d972d58700 state=finished returned NoneType>
            print(future.result())
    print("====")

标签：__,Python,信号量,callback,任务,线程,print,msg
From： https://www.cnblogs.com/Lea4ning/p/17987747

相关文章

  • python之装饰器使用场景
    1.用户登录认证有三个界面需要登录认证通过后才能查看一个登录函数作为装饰器调用使用@函数名调用中如果加参数，则装饰器需要再加一层1deflogin(func):2defdesc(*args,**kwargs):3user='test'4passwd='123456'5n=06......
  • 详解ElasticSearch Python Client ReadTimeout
    详解ElasticSearchPythonClientReadTimeout在使用Python连接Elasticsearch时，我们经常会遇到一些异常情况，其中之一就是ReadTimeout错误。本文将详细介绍这个错误的原因以及如何处理。什么是ReadTimeout错误？ReadTimeout错误通常是由Elasticsearch连接超时引起的。当在与Elasticsea......
  • JAVA调用Python脚本执行
    SpringBoot-web环境<dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency>springboot--启动类@SpringBootApplication(ex......
  • python代码
    #读取.mat文件mat_data=scipy.io.loadmat('C.mat')#获取矩阵数据adj_matrix=mat_data['C']一个简短的python代码：alph=['A','B','C','D','E','F','G','H','I','J......
  • Python基础语法：代码规范、判断语句与循环语句
    Python是一种高级、动态类型的编程语言，其语法清晰、简洁，易于学习。本文将介绍Python基础语法中的代码规范、判断语句和循环语句。一、代码规范良好的代码规范可以提高代码的可读性和可维护性。在Python中，有一些常见的代码规范建议：使用有意义的变量名。变量名应该清晰地描述变量的用......
  • 源码分析：线程池里新增一个线程的流程是什么
    1、先判断新线程是不是为空，为空就报空指针错误否则就往下运行；2、判断是否小于核心线程数，小于则直接新增线程否则就往下运行；3、尝试新增到工作队列中，添加成功就等待调用否则就往下运行；4、再次尝试新增线程，如果当前线程池的线程数大于线程池容量或最大线程数就触发拒绝策略。......
  • Python语言的优缺点详解！
    人人都知道，Python是一门高级的编程语言，涉及领域广泛，应用范围多，薪资待遇也是非常不错的，那么Python有哪些优缺点，你了解吗?接下来老男孩教育为大家汇总介绍一下。Python语言的优点介绍：1、简单：Python是一种代表简单主义思想的语言。阅读一个良好的Python程序好像阅读英文一......
  • java线程数量如何确定
    1.概述使用线程池的好处降低资源消耗:线程是稀缺资源，如果无限制地创建，不仅会消耗系统资源，还会降低系统的稳定性，通过重复利用己创建的线程可以降低线程创建和销毁造成的消耗。提高响应速度:当任务到达时，可以不需要等待线程创建就能立即执行提高线程的可管理性:线程池提......
  • iOS 多线程复习
    iOS中的线程主要有四种:1.pThread2.NSThread3.GCD4.NSOpreaction基础知识:线程、任务和队列的概念: 异步、同步&并行、串行的特点:组合特点:  1.pThread C语言所写,面向过程,使用较少.oc:#pragmaMark-pThread-(void)pThreadDemo{pthread_tpthre......
  • python之实现文件增删改查操作
    实现文件增删改查操作         1.写入文件'''以w形式打开文件,写入记录'''1#!/usr/bin/python2withopen('test','w',encoding='utf-8')asf:3'''插入数据'''4f.writelines('......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99