1.多线程的创建

import threading

t = t.theading.Thread(target, args……)

t.SetDeamon(True)／／设置为守护进程

t.start()，启动线程

t.join()，阻塞当前线程，即使得在当前线程结束时，不会退出。会等到子线程结束之后才退出。

如果不加join语句，主线程不会等到子线程结束才结束，但却不会立即杀死该线程。

但是如果添加了SetDaemon（True),如果不加join，则会在主线程结束后马上杀死子线程。

如果join()加上时间，则会在一段时间之后再退出。

2.线程锁和Threadocal

(1)线程锁

多线程最大特点是线程之间可以共享数据，那么就会出现多线程之间同时改变一个变量，而出现死锁、数据错乱等情况。

比如，有一个global a, global b 有俩线程th1，th2，在某一时刻发生这样的情况：

th1拥有a，但是需要访问b；而th2拥有b，却需要访问a。

这时候th1，th2都互不相让，最后他们俩都饿死掉了。这就是死锁。

针对上述问题，出现了Lock，当访问某个资源之前先用Lock.acquire()锁住资源，访问之后再Lock.release()释放掉资源。

(2)TheadLocal

当不想将变量共享给其他线程时，可以使用局部变量，但是在函数中定义的局部变量使得在函数之间传递特别麻烦，TheadLocal就是特别的牛逼，了不起。

他解决了全局变量需要加锁，局部变量传递麻烦的两个问题。

local_school = theading.local()

定义一个Theadocal对象，此时local_school是一个全局变量，但是这个全局变量之能够在该线程中为全局变量，在其他线程看来他就是一个局部变量，别的线程不可更改之。

local_school = theading.local()

def process_thread(name):#绑定ThreadLocal的student

　　local_school.student =  name

这个只有本线程可以修改，别的线程不可以。

ThreadLocal可以理解为一个dict，可以绑定不同的变量。

ThreadLocal使用最多的地方是每一个线程处理一个HTTP请求，在Flask框架中就是这个原理，它使用的是基于Werkzeug的LocalStack。

3.Map实现多线程

urls = [‘www.google.com‘,‘www.luoxiaofeng.com‘, ‘www.stackoverfolw.com‘]

results = map(urllib2.urlopen, urls)

map将每个元素当作参数分别传给urllib2.urlopen函数，并最后把结果放到results列表中。map一手包办了序列操作、参数传递和结果保存等一系列的操作。

其原理是将ruls中的每一个链接交给不同的cpu。map函数负责将线程分给不同的cpu。

在python中有两个库包含了map函数：mutilprocessing和它的子库multiprocessing.dummy。dummy是一个multiprocessing模块的完整克隆，唯一不同的是multiprocessing作用与进程，而dummy模块作用雨线程。

pool = ThreadPool()#创建县城池

results = pool.map(urllib2.urlopen, urls)#将不同的url传给各自的线程，并把执行结果返回到results中。

print results

pool.close()

pool.join()

4.Python多线程的缺陷：

不是真正多线程，因为有一个GIL，全局解释锁，该锁的存在保证在同一时间只有一个线程在真正执行任务，也就是多线程不是真正并发，只是交替的执行。假如有10个线程在10个cpu上，当前工作也只能是一个cpu上的线程。

5.应用场景：

适合在IO密集型任务中。因为I／O密集型执行期间大部分时间是用在I／O上，如数据库I／O，较少时间用在CPU计算上。因此，此场景可以使用python多线程，当一个任务阻塞在IO操作上时，我们可以立即切换执行其他线程上的其他IO操作请求。

python多线程学习记录