5、GIL vs 互斥锁（*****）
1、什么是GIL(Global Interpreter Lock)
GIL是全局解释器锁，是加到解释器身上的，保护的就是解释器级别的数据 (比如垃圾回收的数据)
同一个进程内的所有线程都需要先抢到GIL锁，才能执行解释器代码
2 为什么需要GIL
python 中内存管理依赖于 GC(一段用于回收内存的代码) 也需要一个线程
除了你自己开的线程 系统还有一些内置线程 就算你的代码不会去竞争解释器 内置线程也可能会竞争
所以必须加上锁
3、GIL的影响
GIl会限制同一进程的内的多个线程同一时间只能有一个运行，也就是说python一个进程内的多线线程
无法实现并行的效果，即无法利用多核优势
然后多核提供的优势是同一时刻有多个cpu参与计算，意味着计算性能地提升，也就是说我们的任务是
计算密集型的情况下才需要考虑利用多核优势，此时应该开启python的多进程
在我们的任务是IO密集型的情况下，再多的cpu对性能的提升也用处不大，也就说多核优势在IO密集型程序面前
发挥的作用微乎其微，此时用python的多线程也是可以的
GIL的优缺点：
优点：
保证Cpython解释器内存管理的线程安全
缺点：
同一进程内所有的线程同一时刻只能有一个执行，无法利用多核CPU
也就说Cpython解释器的多线程无法实现并行
(问题: 一个py程序 要想运行 必须运行解释器 解释器的工作时翻译代码 并执行
当一个py进程中 有多个线程 线程的任务就是执行代码 意味者 多个线程都要使用解释器
简单的说 多线程会争抢解释器的执行权
如果是自己开的线程 多线程要访问相同数据 加锁就能解决
但是有一写代码不是程序员写的 也确实需要共享使用 就是解释器
GC:垃圾回收器 负责清理内存中的无用数据 清理垃圾也需要执行代码 但是GC不应该卡住用户的代码执行
只能开线程
GC 看到 x = 10 x = 1 准备删除10 这时候突然CPU切到用户线程 a = 10 此此时还没有问题
紧接着 CPU 又切到GC GC上来就删除10 在切到用户线程 a 所指向的地址被清理了 产生错误
解决方案: 给解释器加上锁 保证GC执行期间 用户线程不能执行)
4、GIL vs 自定义锁
保护不同的数据就应该加不同的锁。
相同点:都是互斥锁
不同点:
GIL解释器级别锁 锁的是解释器代码
自定义锁 锁的是自己写的代码
GIL 在当一个线程调用解释器时 自动加锁 在IO阻塞时或线程代码执行完毕/执行时间过长3ms时 自动解锁
本质就是一个互斥锁，然后保护不同的数据就应该用不同的互斥锁，保护我们应用程序级别的数据必须自定义互斥锁
有了GIL 为什么还需要自定义锁?
GIL 不清楚什么代码会造成数据竞争问题 不知道什么地方该加
6 Cpython的解释器下,多线程是鸡肋?*****
多个任务是IO密集型:多线程 (IO的速度 明显要比CPU执行速度慢)
多个任务是计算密集型:多进程
7、死锁现象与递归锁(可重入锁),信号量（**）
死锁?
进程也有死锁与递归锁，在进程那里忘记说了，放到这里一切说了额
所谓死锁： 是指两个或两个以上的进程或线程在执行过程中，因争夺资源而造成的一种互相等待的现象，
若无外力作用，它们都将无法推进下去。此时称系统处于死锁状态或系统产生了死锁，
这些永远在互相等待的进程称为死锁进程，如下就是死锁
解决方法，递归锁，在Python中为了支持在同一线程中多次请求同一资源，python提供了可重入锁RLock。
这个RLock内部维护着一个Lock和一个counter变量，counter记录了acquire的次数，
从而使得资源可以被多次require。直到一个线程所有的acquire都被release，
其他的线程才能获得资源。上面的例子如果使用RLock代替Lock，则不会发生死锁：
mutexA=mutexB=threading.RLock() #一个线程拿到锁，counter加1,该线程内又碰到加锁的情况，
则counter继续加1，这期间所有其他线程都只能等待，等待该线程释放所有锁，即counter递减到0为止
死锁造成的问题.程序卡死
一个锁不会产生死锁
当有多个锁多个线程时会产生死锁
a b 锁
p k 线程
当p 和 k 都需要a和b锁时才可能产生死锁
递归锁(可重入锁)RLock
同一个线程可以多次执行acquire 执行一次acquire 计数加1
执行一次release 次数减一 执行acquire的次数需要与release的次数对应
在执行被锁的代码时 同一个线程 不会判断次数 其他线程需要判断 计数为0才可以执行
不是用来解决死锁的
Semaphore信号量(了解) 常用在线程中
信号量作用:限制同时执行被锁代码的线程数量
案列:
sem = semaphore(2)
acquire
code.....
release
开了十个线程 只能有两个同时执行
8、队列queue（***）
queue 这个queue和进程里的Queue不同 就是一个简单的容器
队列是一种数据的容器
特点:先进先出
queue先进先出
lifoqueue先进后出
priorityqueue 优先级队列 整型表示优先级 数字越大优先级越低
import queue
q = queue.Queue()# 普通队列 先进先出
q.put("a")
q2 = queue.LifoQueue()# 堆栈队列 先进后出 后进先出 函数调用就是进栈 函数结束就出栈 递归造成栈溢出
q3 = queue.PriorityQueue() # 优先级队列
9、Event事件（**）了解
python线程的事件用于主线程控制其他线程的执行，事件主要提供了三个方法 set、wait、clear。
事件处理的机制：全局定义了一个“Flag”，如果“Flag”值为 False，
那么当程序执行 event.wait 方法时就会阻塞，如果“Flag”值为True，那么event.wait 方法时便不再阻塞。
是什么?
线程间通讯的方式
为什么用?
简化代码
set()设置为True
wati()阻塞 直到为True
clear：将“Flag”设置为False
4、池（*****）
就是一个装进程/线程的容器
为何要用池：
操作系统无法无限开启进程或线程
池作用是将进程或线程控制操作系统可承受的范围内
什么时候用进程池： (比如 双十一)
当程序中有多个进程时 管理变得非常麻烦
进程池可以帮我们管理进程
1.进程的创建
2.进程的销毁
3.任务的分配
4.限制最大的进程数 保证系统正常运行
池内装的东西有两种：
装进程：进程池
装线程：线程池
进程池
在利用Python进行系统管理的时候，特别是同时操作多个文件目录，或者远程控制多台主机，
并行操作可以节约大量的时间。多进程是实现并发的手段之一，需要注意的问题是：
1 很明显需要并发执行的任务通常要远大于核数
2 一个操作系统不可能无限开启进程，通常有几个核就开几个进程
3 进程开启过多，效率反而会下降（开启进程是需要占用系统资源的，而且开启多余核数目的进程也无法做到并行）
例如当被操作对象数目不大时，可以直接利用multiprocessing中的Process动态成生多个进程，
十几个还好，但如果是上百个，上千个。。。手动的去限制进程数量却又太过繁琐，此时可以发挥进程池的功效。
我们就可以通过维护一个进程池来控制进程数目，比如httpd的进程模式，规定最小进程数和最大进程数...
创建进程池的类：如果指定numprocess为3，则进程池会从无到有创建三个进程，
然后自始至终使用这三个进程去执行所有任务，不会开启其他进程
使用方式?
ThreadPoolExecutor 线程池
实例化 时指定最大线程数
ProcessPoolExecutor 进程池
实例化 时指定最大进程数
执行submit来提交任务
from concurrent.futures import ProcessPoolExecutor,ThreadPoolExecutor
p=ThreadPoolExecutor(4) # 默认开启的线程数是cpu的核数*5
p.submit(task,i)
总结一下:
进程池可以自动创建进程
进程限制最大进程数
自动选择一个空闲的进程帮你处理任务
进程什么时候算是空闲?
代码执行完算是空闲
进程池,池子内什么时候装进程：并发的任务属于计算密集型
线程池,池子内什么时候装线程：并发的任务属于IO密集型
回调函数：
需要回调函数的场景：进程池中任何一个任务一旦处理完了，就立即告知主进程：
我好了额，你可以处理我的结果了。主进程则调用一个函数去处理该结果，该函数即回调函数
我们可以把耗时间（阻塞）的任务放到进程池中，然后指定回调函数（主进程负责执行），
这样主进程在执行回调函数时就省去了I/O的过程，直接拿到的是任务的结果。
如果在主进程中等待进程池中所有任务都执行完毕后，再统一处理结果，则无需回调函数