篇幅较长！
导入
看一下下面的程序：
import time
def sing():
for i in range(5):
print("sing....")
time.sleep(1)
def dance():
for i in range(5):
print("dancing...")
time.sleep(1)
def main():
sing()
dance()
if __name__ == "__main__":
main()
执行这个程序，输出结果如下：
$ python test01.py
sing....
sing....
sing....
sing....
sing....
dancing...
dancing...
dancing...
dancing...
dancing...
一共花费了十秒。
修改程序为多任务的程序：
import time
import threading
def sing():
for i in range(5):
print("sing....")
time.sleep(1)
def dance():
for i in range(5):
print("dancing...")
time.sleep(1)
def main():
t1 = threading.Thread(target=sing)
t2 = threading.Thread(target=dance)
t1.start()
t2.start()
if __name__ == "__main__":
main()
执行这个程序：
$ python test02.py
sing....
dancing...
dancing...
sing....
dancing...
sing....
dancing...
sing....
dancing...
sing....
所谓的多任务，就是同时可以做多件事情。
一台计算机同时可以做多少件事情，是由CPU觉得的，如果CPU的双核的，说明同时可以做两件事情，如果是四核的，就可以同时做四件事情。
如果计算机是单核的，怎么实现多任务？
一个比较好理解的办法是，时间片轮转，比如当前有四个程序，CPU是一核的，那么就让第一个程序先执行0.00001s，然后让下一个程序再执行0.00001s，这样每个程序都执行了0.00001s之后，再来执行第一个程序。因为人是察觉不到0.0001s的切换的，所以在我们看来，程序就像在“一起”执行一样，这样的多任务，叫并发，并发是加到多任务。
如果计算机是双核的，现在有两个程序，那么这两个程序可以同时执行，这样真的一起同时在执行叫做“并行”，并行是真的多任务。
线程
那么怎样才能让Python程序完成多任务呢。
线程就是实现多任务的一种手段。
1.threading模块
在Python中有一个模块是threading，这个模块中有一个类是Thread，用法如下：
def test():
while True:
print("123456")
# target接收的是函数名，不是函数的调用
t1 = threading.Thread(target = test)
t1.start()
类名+“（）”就创建了一个对象，这个对象就是之后要启动的线程。
当t1.start()的时候，这个线程就真正开始创建并被执行。
还是这个程序：
import time
import threading
def sing():
for i in range(5):
print("sing....")
time.sleep(1)
def dance():
for i in range(5):
print("dancing...")
time.sleep(1)
def main():
t1 = threading.Thread(target=sing)
t2 = threading.Thread(target=dance)
t1.start()
t2.start()
if __name__ == "__main__":
main()
主线程从上往下执行，当走到def sing的时候，不进入函数执行，因为这是一个函数的定义，继续往下走，到dance的时候也不执行，走到main也不执行，遇到if __name__ == "__main__":执行调用里面的main()，然后进入main这个函数。
t1 = threading.Thread(target=sing)的时候，创建了一个对象，把它赋给了t1，遇到t2 = threading.Thread(target=dance)的时候，创建了一个对象，把它赋给了t2。
当主线程运行到t1.start()的时候，主线程创建了一个子线程，这个子线程去执行sing函数，主线程继续往下执行，当遇到t2.start()的时候，主线程创建另外一个子线程，这个子线程去执行dance函数。
主线程往下就没有执行的代码了，这时候主线程会等待子线程执行结束，然后主线程再结束。
2.查看线程的数量
threading模块中有一个有一个方法是enumerate，只要调用threading.enumerate()他的返回值就是一个列表，这个列表中的元素就是主线程和子线程。
修改程序如下：
import threading
def sing():
for i in range(5):
print("sing....")
def dance():
for i in range(5):
print("dancing...")
def main():
t1 = threading.Thread(target=sing)
t2 = threading.Thread(target=dance)
t1.start()
t2.start()
print(threading.enumerate())
if __name__ == "__main__":
main()
然后执行程序：
$ python test01.py
sing....
sing....
sing....
sing....
sing....
dancing...
dancing...
dancing...
dancing...
dancing...
[<_MainThread(MainThread, started 9080)>]
发现打印出来的线程里面只有一个是主线程，没有其他两个子线程。
原因是当主线程走到t1.start()的时候创建了一个子线程，在t2.start()的时候又创建了一个子线程，然后主线程继续往下走，走到print，这时候这个程序有三个线程，又因为这三个线程都是没有延迟的，所以先让哪个线程执行就取决于操作系统，操作系统在调度这三个线程的时候，让谁先执行是不确定的。所以线程的执行是没有先后顺序的。
如果想让某个线程先执行可以采用一个方法就是让其他的线程延时。
想要看到系统什么时刻有哪几个线程在运行，方法如下：
修改代码如下：
import threading
import time
def sing():
for i in range(5):
print("sing....第%d秒--" % i)
time.sleep(1)
def dance():
for i in range(10):
print("dancing...第%d秒--" % i)
time.sleep(1)
def main():
t1 = threading.Thread(target=sing)
t2 = threading.Thread(target=dance)
t1.start()
t2.start()
while True:
print(threading.enumerate())
time.sleep(1)
if len(threading.enumerate()) <= 1:
break
if __name__ == "__main__":
main()
循环打印当前系统中的线程，如果当前系统中只剩下一个线程，就是主线程，那么就退出循环。
执行程序：
$ python test01.py
sing....▒▒0▒▒--
dancing...▒▒0▒▒--
[<_MainThread(MainThread, started 14184)>, <Thread(Thread-1, started 12124)>, <Thread(Thread-2, started 16304)>]
dancing...▒▒1▒▒--
[<_MainThread(MainThread, started 14184)>, <Thread(Thread-1, started 12124)>, <Thread(Thread-2, started 16304)>]
sing....▒▒1▒▒--
sing....▒▒2▒▒--
dancing...▒▒2▒▒--
[<_MainThread(MainThread, started 14184)>, <Thread(Thread-1, started 12124)>, <Thread(Thread-2, started 16304)>]
dancing...▒▒3▒▒--
sing....▒▒3▒▒--
[<_MainThread(MainThread, started 14184)>, <Thread(Thread-1, started 12124)>, <Thread(Thread-2, started 16304)>]
dancing...▒▒4▒▒--
sing....▒▒4▒▒--
[<_MainThread(MainThread, started 14184)>, <Thread(Thread-1, started 12124)>, <Thread(Thread-2, started 16304)>]
dancing...▒▒5▒▒--
[<_MainThread(MainThread, started 14184)>, <Thread(Thread-2, started 16304)>]
[<_MainThread(MainThread, started 14184)>, <Thread(Thread-2, started 16304)>]
dancing...▒▒6▒▒--
dancing...▒▒7▒▒--
[<_MainThread(MainThread, started 14184)>, <Thread(Thread-2, started 16304)>]
dancing...▒▒8▒▒--
[<_MainThread(MainThread, started 14184)>, <Thread(Thread-2, started 16304)>]
dancing...▒▒9▒▒--
[<_MainThread(MainThread, started 14184)>, <Thread(Thread-2, started 16304)>]
可以看到每一秒钟程序的线程，前五秒是三个线程，到了第五秒，程序里面有两个线程，因为循环5次，每次休眠1秒的sing线程结束了，然后到了第十秒，第二个子线程也执行完了，程序中就只剩一个主线程，所以退出循环不打印了。这时候主线程也结束，程序结束。
所以如果创建Thread来执行函数，当这个函数执行完，这个子线程也就结束了。
主线程结束，程序就结束了。所以主线程会等待所有的子线程执行结束再结束。
3.子线程是什么时候被创建的，什么时候被执行的
In [1]: import threading
In [2]: def test():
...: print("------1--------")
...:
In [3]: t1 = threading.Thread(target=test)
In [4]: t1.start()
------1--------
当t1被赋值的时候，test函数并没有被调用没有被执行，而是start的时候test函数才被执行，所以说明线程是在被调用的时候才执行。
那线程是什么时候被创建的?
是t1 = threading.Thread(target=test)的时候被创建的，还是t1.start()的时候被创建的？
import threading
import time
def sing():
for i in range(5):
print("sing....")
time.sleep(1)
def main():
print(threading.enumerate())
t1 = threading.Thread(target=sing)
print(threading.enumerate())
t1.start()
print(threading.enumerate())
if __name__ == "__main__":
main()
在t1 = threading.Thread(target=sing)之前查看当前程序有多少线程，在t1 = threading.Thread(target=sing)之后查看当前程序有多少线程，在start之后再查看一次。
运行程序：
$ python test01.py
[<_MainThread(MainThread, started 11772)>]
[<_MainThread(MainThread, started 11772)>]
sing....
[<_MainThread(MainThread, started 11772)>, <Thread(Thread-1, started 11456)>]
sing....
sing....
sing....
sing....
在start前打印的两次线程中，都没有线程Thread-1，说明当t1.start()的时候，线程才真正被创建和执行。
所以当调用Thread的时候，不会创建线程，当调用Thread创建出来的实例对象的start方法的时候线程才会被创建，以及开始运行线程。
总结：
- 如果想完成多任务，就可以通过Thread创建一个对象，这个对象一调用start，子线程就会被创建和执行，这个对象执行什么就看传递的target是哪个函数名。当这个被执行的函数结束了，这个子线程就结束了。
- 线程真正创建是start，真正结束是函数结束。
- 多个线程被创建之后，执行顺序是不确定的，执行顺序取决于操作系统，如果想指定执行的先后顺序，可以通过延时来实现。
- 主线程最后结束，因为主线程结束程序就结束了。
创建Thread对象这个过程可以理解为线程的准备工作。
4.target也可以是一个类
当target是一个类的时候，写法就有变化了。
例如：
import threading
import time
class MyThread(threading.Thread):
def run(self):
for i in range(5):
print(i)
time.sleep(i)
def main():
t = MyThread()
t.start()
if __name__ == "__main__":
main()
用类来创建线程的时候，直接把类实例化一个对象传给t就可以，调用的时候还是t.start()就可以。
这个类必须要继承threading.Thread，这个类里必须定义run方法，线程start之后，会自动调用run方法，执行run里面的代码。
类中没有定义start方法，这个start方法是继承自Thread的方法。
所以创建线程有两种方式：
t1 = threading.Thread(target=函数名)
- 函数里面的代码是什么，线程就去执行什么
- 用类
定义一个类，这个类必须继承threading.Thread，而且这个类必须实现run方法，这个run方法中写了什么，线程就去执行什么。
这种方式适合一个线程做的事情比较复杂，而且涉及多个函数，一般就把这些函数封装成一个类。
相比较而言，函数的方式更加简单。
如果类中还有其他函数想要在线程执行的适合执行，那么这个函数的调用可以写在run函数中。
5.多个线程之间共享全局变量
修改全局变量前提：
在一个函数中，对全局变量进行修改的时候，到底是否需要使用global取决于是否对变量的指向进行了修改。
- 如果进行了修改，即让全局变量指向了一个新的地方，那么必须使用global
- 如果仅仅是修改了全局变量指向空间的数据，就不必须使用global
能不能修改还看全局变量是否可变，数字、字符串、元组不可变
例如，如果全局变量是数字：
In [9]: num = 100
In [10]: def test():
...: global num
...: num += 100
...:
In [11]: print(num)
100
In [12]: test()
In [13]: print(num)
200
此时修改全局变量就要加global。
如果不加：
In [16]: num = 100
In [17]: def test():
...: num += 100
...:
In [18]: print(num)
100
In [19]: test()
---------------------------------------------------------------------------
UnboundLocalError Traceback (most recent call last)
<ipython-input-19-fbd55f77ab7c> in <module>
----> 1 test()
<ipython-input-17-fabd8b626a8d> in test()
1 def test():
----> 2 num += 100
3
UnboundLocalError: local variable 'num' referenced before assignment
In [20]: print(num)
100
如果全局变量是可变对象，不修改它的指向：
In [22]: nums = [11,22]
In [23]: def test():
...: nums.append(33)
...:
In [24]: print(nums)
[11, 22]
In [25]: test()
In [26]: print(nums)
[11, 22, 33]
如果全局变量是可变对象，修改它的指向：
In [28]: nums = [11,22]
In [29]: def test():
...: nums += [33]
...:
In [30]: print(nums)
[11, 22]
In [31]: test()
---------------------------------------------------------------------------
UnboundLocalError Traceback (most recent call last)
<ipython-input-31-fbd55f77ab7c> in <module>
----> 1 test()
<ipython-input-29-8d9294d083c5> in test()
1 def test():
----> 2 nums += [33]
3
UnboundLocalError: local variable 'nums' referenced before assignment
In [32]: print(nums)
[11, 22]
验证线程之间是共享全局变量的方法：
1.创建两个线程，一个用来修改全局变量，一个在修改完全局变量后打印这个全局变量。
import threading
import time
# 全局变量
num = 100
def test01():
global num
num += 100
print("test01: num = %d" % num)
def test02():
print("test02: num = %d" % num)
def main():
t1 = threading.Thread(target=test01)
t2 = threading.Thread(target=test02)
t1.start()
time.sleep(1)
t2.start()
time.sleep(1)
print("main thread: num = %d" % num)
if __name__ == "__main__":
main()
执行：
$ python test01.py
test01: num = 200
test02: num = 200
main thread: num = 200
说明线程之间是共享全局变量的。
2.把全局变量当作参数传给函数
修改程序如下：
import threading
import time
def test01(tmp1):
tmp1.append(33)
print("test01: tmp = %s" % str(tmp1))
def test02(tmp2):
print("test02: tmp = %s" % str(tmp2))
nums = [11,22]
def main():
t1 = threading.Thread(target=test01,args=(nums,))
t2 = threading.Thread(target=test02,args=(nums,))
t1.start()
time.sleep(1)
t2.start()
time.sleep(1)
print("main thread: nums = %s" % str(nums))
if __name__ == "__main__":
main()
args是要传递给函数的数据，这个数据必须是个元组，就是需要写括号，可以传递多个参数，参数最后多加一个逗号“,”，不然会报错。
运行这个程序：
$ python test01.py
test01: tmp = [11, 22, 33]
test02: tmp = [11, 22, 33]
main thread: nums = [11, 22, 33]
6.共享全局变量可能遇到的问题：资源竞争
可能遇到资源竞争的问题。
定义两个函数，他们都用来把全局变量加1，循环100次，这样如果这两个函数都执行完，如果全局变量一开始是0，那么执行完两个函数就应该是200。
程序如下：
import threading
import time
# 全局变量
global_num = 0
def test01(num):
global global_num
for i in range(num):
global_num += 1
print("test01: num = %d" % global_num)
def test02(num):
global global_num
for i in range(num):
global_num += 1
print("test02: num = %d" % global_num)
def main():
t1 = threading.Thread(target=test01,args=(100,))
t2 = threading.Thread(target=test02,args=(100,))
t1.start()
t2.start()
time.sleep(5)
print("main thread: num = %d" % global_num)
if __name__ == "__main__":
main()
执行程序：
$ python test01.py
test01: num = 100
test02: num = 200
main thread: num = 200
这时候执行结果是正确的。
如果不是循环100次，而是循环1000000次，那么结果应该是2000000。
修改程序：
import threading
import time
# 全局变量
global_num = 0
def test01(num):
global global_num
for i in range(num):
global_num += 1
print("test01: num = %d" % global_num)
def test02(num):
global global_num
for i in range(num):
global_num += 1
print("test02: num = %d" % global_num)
def main():
t1 = threading.Thread(target=test01,args=(1000000,))
t2 = threading.Thread(target=test02,args=(1000000,))
t1.start()
t2.start()
time.sleep(5)
print("main thread: num = %d" % global_num)
if __name__ == "__main__":
main()
执行程序：
$ python test01.py
test01: num = 1132201
test02: num = 1402099
main thread: num = 1402099
这时候执行结果就出错了。
因为global_num += 1这个语句在执行的时候，会分成几步，1.先取到global_num的值。2.把这个值加一。3.把这个值存起来。
操作系统如果使用了时间片轮转法，在global_num等于0的时候，线程1取到了0这个值，然后把它加一，变成了1，这时候操作系统去执行线程2，取到的值还是0，把它加一，然后存储起来，这时候global的值为1，操作系统再去执行线程1，线程1把它计算的1保存，这时候global的值依旧为1，所以虽然global的值被计算了两次，但是实际得到的结果是错误的。
所以如果多线程共享全局变量，而且同一时刻都在操作全局变量，就可能出现问题，这就是资源竞争。
7.解决资源竞争问题
可以通过线程同步来解决问题。
同步就是协同步调，协同就是一个先执行，再执行另一个，互相配合着执行。
同步可以用互斥锁来实现。
互斥锁就是当线程1要修改全局变量之前，先把这个全局变量上锁，这样其他的线程就无法修改这个数据，当前线程1用完这个全局变量后，再把锁解开。
互斥锁的创建：
# 创建所
mutex = threading.Lock()
# 锁定
mutex.acquire()
# 释放
mutex.release()
如果一个数据是没有上锁的，那么acquire不会堵塞。
如果这个数据已经被其他线程锁定了，那么此时再上锁（acquire），会堵塞，当其他线程解锁之后，当前的线程才能上锁。
互斥锁解决资源竞争问题：
创建一个全局变量是锁：
import threading
import time
# 全局变量
global_num = 0
def test01(num):
global global_num
# 上锁
mutex.acquire()
for i in range(num):
global_num += 1
mutex.release()
print("test01: num = %d" % global_num)
def test02(num):
global global_num
mutex.acquire()
for i in range(num):
global_num += 1
mutex.release()
print("test02: num = %d" % global_num)
# 创建一个互斥锁，默认没有上锁
mutex = threading.Lock()
def main():
t1 = threading.Thread(target=test01,args=(1000000,))
t2 = threading.Thread(target=test02,args=(1000000,))
t1.start()
t2.start()
time.sleep(5)
print("main thread: num = %d" % global_num)
if __name__ == "__main__":
main()
执行程序：
$ python test01.py
test01: num = 1000000
test02: num = 2000000
main thread: num = 2000000
这时候结果是正确的，线程1和线程2不一定哪个线程会先抢到这把锁，如果一个线程给全局变量上锁了，另一个线程只能等待这个线程解锁，才能上锁，对全局变量进行操作。
上锁有一个原则是锁定的代码越少越好，所以修改程序如下：
import threading
import time
# 全局变量
global_num = 0
def test01(num):
global global_num
for i in range(num):
mutex.acquire()
global_num += 1
mutex.release()
print("test01: num = %d" % global_num)
def test02(num):
global global_num
for i in range(num):
mutex.acquire()
global_num += 1
mutex.release()
print("test02: num = %d" % global_num)
# 创建一个互斥锁，默认没有上锁
mutex = threading.Lock()
def main():
t1 = threading.Thread(target=test01,args=(1000000,))
t2 = threading.Thread(target=test02,args=(1000000,))
t1.start()
t2.start()
time.sleep(5)
print("main thread: num = %d" % global_num)
if __name__ == "__main__":
main()
执行程序：
执行第一遍：
$ python test01.py
test01: num = 1921277
test02: num = 2000000
main thread: num = 2000000
执行第二遍：
$ python test01.py
test01: num = 1884133
test02: num = 2000000
main thread: num = 2000000
这是因为，因为加锁只加了global_num += 1这一行代码，所以有可能出现在线程1执行完之前，线程1给global_num 加了一些值，线程2也给global加了一些值，所以到线程1执行完之前，global被加了超过1000000次，所以有了这样的结果。
8.互斥锁带来的死锁问题
如果有两个资源，资源A和资源B，有两个线程，线程1和线程2。
线程1要先使用资源A，然后使用资源B，线程2要先使用资源B，再使用资源A。
如果线程1先给A上了锁，然后使用了A，进行一些操作，与此同时，线程2给B上了锁，进行了一些操作。
这时候线程1要使用资源B，发现资源B被上锁了，那线程1就等待线程2解锁。
线程2要使用资源A，发现资源A被上锁了，那线程2就等待线程1解锁。
两个线程就一直等待互相释放资源，这种现象就是死锁。
如何解决死锁问题：
1.银行家算法：设计程序时尽量避免死锁
2.添加超时时间
银行家算法：
如果一个银行家有10块钱，有三个客户要贷款，客户A要贷款9块钱，客户B要贷款3块钱，客户C要贷款8块钱。
那么这个时候，银行家手里的钱不足以让三个客户都拿到贷款。
那么这个时候，先借给客户A 2块钱，借给客户B 2块钱，借给客户C 4块钱，这时候银行家手里还有2块钱。
| 银行家 | 客户A(9) | 客户B(3) | 客户C(8) |
|---|---|---|---|
| 10 | 0 | 0 | 0 |
| 2 | 2 | 2 | 4 |
这时候银行家手里的2块钱借给客户B 1块钱，告诉其他的客户剩下的前过几天再借给他。
| 银行家 | 客户A(9) | 客户B(3) | 客户C(8) |
|---|---|---|---|
| 10 | 0 | 0 | 0 |
| 2 | 2 | 2 | 4 |
| 1 | 2 | 3（满足） | 4 |
和客户B约定好还钱的时间，当客户B归还了3块钱的时候，银行家手里就有了4块钱，把这4块钱再借给客户C。
| 银行家 | 客户A(9) | 客户B(3) | 客户C(8) |
|---|---|---|---|
| 10 | 0 | 0 | 0 |
| 2 | 2 | 2 | 4 |
| 1 | 2 | 3（满足） | 4 |
| 4 | 2 | （已归还） | 4 |
| 0 | 2 | （已归还） | 8 |
这之后客户C用完了钱，归还后再借给A 7块钱。
| 银行家 | 客户A(9) | 客户B(3) | 客户C(8) |
|---|---|---|---|
| 10 | 0 | 0 | 0 |
| 2 | 2 | 2 | 4 |
| 1 | 2 | 3（满足） | 4 |
| 4 | 2 | （已归还） | 4 |
| 0 | 2 | （已归还） | 8 |
| 8 | 2 | （已归还） | （已归还） |
| 1 | 9 | （已归还） | （已归还） |
最后客户A归还了钱，银行家收获了利息。
所以，每个客户必须一开始就声明他们所要借款或贷款的总额，然后银行家根据资源的情况和客户的情况先算好什么时候借给谁，什么时候谁归还。
这个想法应用到操作系统，操作系统就是这个银行家，它必须提前计算好每个线程何时上锁，何时解锁，这样就在程序执行之前避免了死锁。
添加超时时间
就是为死锁设定一个超时时间，如果两个线程产生了死锁，到达这个超时时间之后，采用kill线程的方式解开死锁。
进程
实现多任务的另一种方式。
程序是静态的，是一个exe文件或者是其他的东西，运行起来就是进程，一个进程包含多个线程。
一个程序一般来说可以开多个，比如QQ程序，打开之后就是多个QQ进程。
进程是启动的程序，所以进程比程序多拥有了资源，比如QQ进程可以使用内存资源，可以通过网卡连接网络，以及鼠标键盘等资源。所以进程是一个资源分配的单位。
1.使用进程实现多任务
程序如下：
import threading
import time
import multiprocessing
def test1():
while True:
print("=======111111=======")
time.sleep(1)
def test2():
while True:
print("=======222222=======")
time.sleep(1)
def main():
t1 = multiprocessing.Process(target=test1)
t2 = multiprocessing.Process(target=test2)
t1.start()
t2.start()
if __name__ == "__main__":
main()
运行程序：
D:\>python test02.py
=======111111=======
=======222222=======
=======222222=======
=======111111=======
=======222222=======
=======111111=======
=======111111=======
=======222222=======
=======222222=======
=======111111=======
=======111111=======
=======222222=======
=======222222=======
=======111111=======
=======222222=======
=======111111=======
=======222222=======
此时如果是Windows系统可以在另外一个终端输入tasklist命令来查看当前系统运行的所有进程。
一部分如下：
映像名称 PID 会话名 会话'# 内存使用
========================= ======== ================ =========== ============
chrome.exe 11504 Console 1 51,440 K
chrome.exe 10496 Console 1 21,892 K
python.exe 7680 Console 1 11,908 K
python.exe 5356 Console 1 12,032 K
python.exe 8984 Console 1 12,036 K
tasklist.exe 6004 Console 1 9,028 K
当结束程序，再次查看：
映像名称 PID 会话名 会话'# 内存使用
========================= ======== ================ =========== ============
conhost.exe 11024 Console 1 16,896 K
chrome.exe 11224 Console 1 91,268 K
chrome.exe 12280 Console 1 71,120 K
chrome.exe 1608 Console 1 66,956 K
chrome.exe 11504 Console 1 51,436 K
chrome.exe 10496 Console 1 21,896 K
tasklist.exe 7740 Console 1 9,016 K
发现python的程序已经没有了。
如果是linux系统可以用ps -aux来查看。
Windows系统用taskkill /pid 端口 /F来停止进程：
D:\>taskkill /pid 1996 /F
成功: 已终止 PID 为 1996 的进程。
linux系统可以用kill + 进程ID来停止进程。
当主进程从上到下扫描代码，开始执行时，执行到t1.start()这一行，会创建一个新的子进程，这个新的子进程拥有另一份属于自己的资源，新的子进程被创建的时候，要修改的东西会拷贝一份自己的，不修改的就不拷贝了，共享代码（因为在运行过程中不会修改代码），也就是说能共享的就会共享，不能共享的就复制一份自己的（所以有一个概念是“写时拷贝”，即修改的时候拷贝）。所以多进程会占用较大的资源，所以进程数不是越多越好。
所以在执行刚刚的程序时，可以看到三个Python进程，一个是主进程，另外两个是子进程。
2.进程和线程的对比
进程：是资源的总称，包括代码，包括内存等。
线程：比较轻量级，线程之间资源共享。
- 进程仅仅是一个资源分配的单位，是一个资源总和，而线程是操作系统调度的单位。
- 多线程是在同一份资源的前提下执行代码，而多进程是多份资源，同一份代码或多份代码，各自使用各自的资源去执行。
- 每一个进程都至少拥有一个线程（主线程），真正去执行的是线程。也就是说每创建一个进程，这个进程就会有一个主线程去使用资源执行代码。
- 进程依赖与进程，比如一个网易云音乐运行之后是一个进程，这个进程可以开启多个线程，比如下载歌曲线程和播放歌曲线程，这两个线程之间共享资源，下载后的歌曲可以由播放线程来播放，但是一旦关闭网易云，就是关闭了进程，线程也就不存在了。
- 进程之间是互相独立的，比如QQ音乐和网易云音乐之间是独立的。
3.使用队列完成进程间通信
如果想使用多进程来实现多任务，比如想用一个进程来下载音乐，一个进程来播放下载好的音乐，那进程之间就需要进行通信。
进程间通信的一种方式是队列：Queue。
Queue如何使用：
# 使用Queue要导入这个模块
import multiprocessing
# 创建队列，括号中可以填一个数字，表示创建的队列中可以放多少元素，队列中的元素可以放不同数据类型的数据
q = multiprocessing.Queue()
q = multiprocessing.Queue(3)
# 往队列中存放数据
q.put()
# 从队列中取数据，如果这时候队列为空，q.get()就会一直等待，等到队列中有数据了再取出来。
q.get()
# 如果不想等待可以使用get_nowait，但是如果这时候队列中没有数据，就会抛异常。
q.get_nowait()
# 判断队列是否为空，如果为空，返回True，否则返回False
q.empty()
# 判断队列是否已满，已满则返回True，否则返回False
q.full()
进程之间通过Queue通信的实现：
一个进程用来下载数据，这个进程把下载好的数据存放在队列中，另一个进程从这个队列取数据来进行操作。
代码：
import multiprocessing
def download(q):
data = [11, 22, 33, 44]
for tmp in data:
q.put(tmp)
print("download OK!")
def use(q):
res = []
while not q.empty():
res.append(q.get())
print("res is:")
print(res)
def main():
q = multiprocessing.Queue()
p1 = multiprocessing.Process(target=download, args=(q,))
p2 = multiprocessing.Process(target=use, args=(q,))
p1.start()
p2.start()
if __name__ == "__main__":
main()
运行程序：
$ python test02.py
download OK!
res is:
[11, 22, 33, 44]
4.进程池
进程的创建和销毁需要消耗很多资源。所以为了减少创建和消耗进程的次数，使用进程池，先创建好固定数量的进程，如果需要执行程序，让这些进程去执行，当执行结束后，把这些进程再放入进程池，这样可以反复利用创建好的进程，不用反复的创建和销毁。
进程池Pool的使用
# Pool也是在multiprocessing这个包中
from multiprocessing import Pool
# 传递参数，进程池里放多少进程，也可以不传参数
pool = Pool(3)
# pool.apply_async(调用的目标,(传递的参数元组,)) 这里的逗号是必须的。
# 用进程池里空闲的子进程去调用目标，如果当前没有空闲的子进程，任务也会被添加到进程池里，等待子进程空闲的时候去执行
pool.apply_async(work,(i,))
# 关闭进程池，不再接收新的请求
pool.close()
# 等待所有的子进程结束再结束程序，必须放在close语句之后，如果没有这句话，不能保证子进程都执行完毕。因为通过进程池创建的子进程，主进程不会自动等待他们执行完毕。
pool.join()
from multiprocessing import Pool
import time
def work(num):
print("------start-------")
time.sleep(1)
print(num)
print("------end---------")
def main():
pool = Pool(3)
for i in range(10):
pool.apply_async(work,(i,))
print("------come to close---------")
pool.close()
pool.join()
print("------come to an end--------")
if __name__ == "__main__":
main()
运行程序：
$ python test03.py
------start-------
2
------end---------
------start-------
5
------end---------
------start-------
6
------end---------
------start-------
0
------end---------
------start-------
4
------end---------
------start-------
7
------end---------
------start-------
1
------end---------
------start-------
3
------end---------
------start-------
8
------end---------
------start-------
9
------end---------
------come to close---------
------come to an end--------
可以看到，进程的调度顺序也是不确定的。
5.多进程实现复制文件夹下的多个文件
1.获取要复制的文件夹的名字
2.创建一个新的文件夹
3.获取文件夹所有要复制的文件名字
4.创建进程池，主进程往进程池里添加要复制的文件
5.子进程把文件复制到新的文件夹中去
当前有如下文件夹及文件：
/d/test:
$ ls
1.py 2.py 3.py 4.py 5.py 6.py 7.py 8.py 9.py
代码：
import os
import multiprocessing
def copy(file, old_folder, new_folder):
old_f = open(old_folder + "/" + file, "rb")
content = old_f.read()
old_f.close()
new_f = open(new_folder + "/" + file, "wb")
new_f.write(content)
new_folder.close()
def main():
source_folder = 'test'
try:
new_folder = source_folder + "_copy"
os.mkdir(new_folder)
except:
pass
files = os.listdir(source_folder)
pool = multiprocessing.Pool(5)
for f in files:
pool.apply_async(copy, (f, source_folder, new_folder))
pool.close()
pool.join()
if __name__ == '__main__':
main()
运行程序：
$ python test04.py
查看当前目录：
test.py
test_copy/
已经成功复制了test，进入test_copy目录下，看看文件是否复制成功：
$ ls test_copy/
1.py 2.py 3.py 4.py 5.py 6.py 7.py 8.py 9.py
已经成功复制了。
改进：
import os
import multiprocessing
def copy(queue, file, old_folder, new_folder):
old_f = open(old_folder + "/" + file, "rb")
content = old_f.read()
old_f.close()
new_f = open(new_folder + "/" + file, "wb")
new_f.write(content)
new_folder.close()
queue.put(file)
def main():
source_folder = 'test'
try:
new_folder = source_folder + "_copy"
os.mkdir(new_folder)
except:
pass
files = os.listdir(source_folder)
pool = multiprocessing.Pool(5)
queue = multiprocessing.Manager().Queue()
for f in files:
pool.apply_async(copy, (queue, f, source_folder, new_folder))
pool.close()
# pool.join()
lenth = len(files)
num = 0
while True:
try:
name = queue.get_nowait()
except:
pass
num += 1
print("\r拷贝进度为 %.2f %%" % (num*100/lenth), end="")
if num >= lenth:
break
if __name__ == '__main__':
main()
- 这里使用的不是multiprocessing下的Queue，而是multiprocessing下的manager下的Queue。
- 结合了进程之间使用Queue进行通信，实现多进程复制文件。
- 用一个简单的方式打印了拷贝进度。
运行：
D:\>python test04.py
拷贝进度为 100.00 %
协程
1.迭代器
for tmp in a:
print(tmp)
如果a是可以在上面的代码里使用的数据类型，a就是可迭代对象。
元组，列表，字典，集合，字符串都是可迭代的对象。
如何判断一个对象是否是可迭代的？
from collections import Iterable
isinstance(要判断的对象，Iterable)
如果是可迭代的对象会返回一个True，否则返回False。
例如：
In [5]: from collections import Iterable
In [6]: a = [11,22,33]
In [7]: isinstance(a, Iterable)
Out[7]: True
如果想要一个类也变成一个可迭代对象，那么可以在类中添加一个__iter__方法。
例如：
from collections import Iterable
class Classmate(object):
"""docstring for ClassName"""
def __init__(self):
self.name = list()
def add(self, name):
self.name.append(name)
classmate = Classmate()
classmate.add("同学一")
classmate.add("同学二")
classmate.add("同学三")
print("判断classmate是否是可迭代对象：", isinstance(classmate,Iterable))
运行这个程序：
D:\>python test05.py
test05.py:1: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated since Python 3.3,and in 3.9 it will stop working
from collections import Iterable
判断classmate是否是可迭代对象： False
提示了collections的用法变了，所以修改一下程序：
from collections.abc import Iterable
再次执行：
D:\>python test05.py
判断classmate是否是可迭代对象： False
这时候给类添加一个__iter__方法：
from collections.abc import Iterable
class Classmate(object):
"""docstring for ClassName"""
def __init__(self):
self.name = list()
def add(self, name):
self.name.append(name)
def __iter__(self):
pass
classmate = Classmate()
classmate.add("同学一")
classmate.add("同学二")
classmate.add("同学三")
print("判断classmate是否是可迭代对象：", isinstance(classmate,Iterable))
运行一下：
D:\>python test05.py
判断classmate是否是可迭代对象： True
即使是没有具体实现，只要有这个魔法函数，这个类的实例对象也是可迭代对象。
这时候就满足了最基本的for循环条件，但是这时候还用不了。这是因为for循环的时候，每次要取一个值，还需要一个东西来记录取到了哪。
所以__iter__方法必须返回一个对象的引用，这个对象必须要有__iter__和__next__方法，这个对象就是一个迭代器。
判断一个对象是否是迭代器：
- 这时候导入的是collections下的Iterator
- 使用
iter(对象)方法可以自动调用对象的__iter__方法
from collections.abc import Iterable
from collections.abc import Iterator
class Classmate(object):
"""docstring for Classmate"""
def __init__(self):
self.name = list()
def add(self, name):
self.name.append(name)
def __iter__(self):
return ClassIterator()
class ClassIterator(object):
"""docstring for ClassIterator"""
def __iter__(self):
pass
def __next__(self):
pass
classmate = Classmate()
classmate.add("同学一")
classmate.add("同学二")
classmate.add("同学三")
print("判断classmate是否是可迭代对象：", isinstance(classmate,Iterable))
# 因为`__iter__`方法返回的是ClassIterator()的引用，所以`iter()`方法得到的也是ClassIterator()的引用。
classmate_iterator = iter(classmate)
print("判断classmate是否是迭代器：",isinstance(classmate_iterator,Iterator))
运行程序：
D:\>python test05.py
判断classmate是否是可迭代对象： True
判断classmate是否是迭代器： True
for循环每次调用的是这个对象的__iter__方法返回的另一个对象的引用的__next__方法。
所以如果使用for循环这个Classmate对象，每次取到的是Classmate对象的__iter__函数返回的ClassIterator对象的引用的__next__方法返回的值。
也就是如果把__next__的pass改为return 11的话，for循环每次返回的都应该是11。
修改代码如下：
from collections.abc import Iterable
from collections.abc import Iterator
class Classmate(object):
"""docstring for Classmate"""
def __init__(self):
self.name = list()
def add(self, name):
self.name.append(name)
def __iter__(self):
return ClassIterator()
class ClassIterator(object):
"""docstring for ClassIterator"""
def __iter__(self):
pass
def __next__(self):
return 11
classmate = Classmate()
classmate.add("同学一")
classmate.add("同学二")
classmate.add("同学三")
# print("判断classmate是否是可迭代对象：", isinstance(classmate,Iterable))
# classmate_iterator = iter(classmate)
# print("判断classmate是否是迭代器：",isinstance(classmate_iterator,Iterator))
for name in classmate:
print(name)
运行程序：
D:\>python test05.py
11
11
11
11
11
打印11无限循环。
但是实际上，希望ClassIterator实现的功能是把Classmate的name列表逐个取到，那么就可以在Classmate的__iter__函数返回ClassIterator引用的时候，把Classmate传过去。这样ClassIterator就可以取到name这一个列表。
修改代码如下：
import time
from collections.abc import Iterable
from collections.abc import Iterator
class Classmate(object):
"""docstring for Classmate"""
def __init__(self):
self.name = list()
def add(self, name):
self.name.append(name)
def __iter__(self):
return ClassIterator(self)
class ClassIterator(object):
"""docstring for ClassIterator"""
def __init__(self, obj):
self.obj = obj
def __iter__(self):
pass
def __next__(self):
return self.obj.name[0]
classmate = Classmate()
classmate.add("同学一")
classmate.add("同学二")
classmate.add("同学三")
# print("判断classmate是否是可迭代对象：", isinstance(classmate,Iterable))
# classmate_iterator = iter(classmate)
# print("判断classmate是否是迭代器：",isinstance(classmate_iterator,Iterator))
for name in classmate:
print(name)
time.sleep(1)
这时候ClassIterator类可以取到Classmate的name列表。但是每次取到的都是name[0]，想要继续往下取，就需要一个下标，每次取完一次，下标就加一。
修改代码如下：
import time
from collections.abc import Iterable
from collections.abc import Iterator
class Classmate(object):
"""docstring for Classmate"""
def __init__(self):
self.name = list()
def add(self, name):
self.name.append(name)
def __iter__(self):
return ClassIterator(self)
class ClassIterator(object):
"""docstring for ClassIterator"""
def __init__(self, obj):
self.obj = obj
self.cur_index = 0
def __iter__(self):
pass
def __next__(self):
# 防止下标越界
if self.cur_index < len(self.obj.name):
res = self.obj.name[self.cur_index]
self.cur_index += 1
return res
classmate = Classmate()
classmate.add("同学一")
classmate.add("同学二")
classmate.add("同学三")
# print("判断classmate是否是可迭代对象：", isinstance(classmate,Iterable))
# classmate_iterator = iter(classmate)
# print("判断classmate是否是迭代器：",isinstance(classmate_iterator,Iterator))
for name in classmate:
print(name)
time.sleep(1)
运行代码：
D:\>python test05.py
同学一
同学二
同学三
None
None
None
None
None
这时候会发生一种情况就是，当for已经取完name列表中的所有元素之后，并不会停止，会继续取name的值，但是因为当前的下标已经等于或超过name列表的长度，所以__next__方法没有返回任何值，所以for循环继续，但是每次取到的值都是None。
所以如果想让for循环结束，需要抛出一个StopIteration异常，for就会结束循环。
import time
from collections.abc import Iterable
from collections.abc import Iterator
class Classmate(object):
"""docstring for Classmate"""
def __init__(self):
self.name = list()
def add(self, name):
self.name.append(name)
def __iter__(self):
return ClassIterator(self)
class ClassIterator(object):
"""docstring for ClassIterator"""
def __init__(self, obj):
self.obj = obj
self.cur_index = 0
def __iter__(self):
pass
def __next__(self):
if self.cur_index < len(self.obj.name):
res = self.obj.name[self.cur_index]
self.cur_index += 1
return res
else:
raise StopIteration
classmate = Classmate()
classmate.add("同学一")
classmate.add("同学二")
classmate.add("同学三")
for name in classmate:
print(name)
time.sleep(1)
运行代码：
D:\>python test05.py
同学一
同学二
同学三
那么Classmate的__iter__可不可以返回自身，这样就不用返回别的类的引用。
修改代码如下：
import time
from collections.abc import Iterable
from collections.abc import Iterator
class Classmate(object):
"""docstring for Classmate"""
def __init__(self):
self.name = list()
self.cur_index = 0
def add(self, name):
self.name.append(name)
def __iter__(self):
return self
def __next__(self):
if self.cur_index < len(self.name):
res = self.name[self.cur_index]
self.cur_index += 1
return res
else:
raise StopIteration
classmate = Classmate()
classmate.add("同学一")
classmate.add("同学二")
classmate.add("同学三")
for name in classmate:
print(name)
time.sleep(1)
执行代码：
D:\>python test05.py
同学一
同学二
同学三
总结：
- 如果一个对象是迭代器，那么它一定可以迭代。因为它一定包含
__iter__和__next__。 - 一个对象可迭代，它不一定是迭代器。
2.生成器
生成器是一种特殊的迭代器。
（1）创建生成器的方式
方法1：
nums = [x*2 for i in range(10)]
nums会得到一个列表，如果把中括号变为小括号，nums得到的就是一个生成器。
In [11]: nums = [ x*2 for x in range(10)]
In [12]: nums
Out[12]: [0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
In [13]: nums2 = (x*2 for x in range(10))
In [14]: nums2
Out[14]: <generator object <genexpr> at 0x0000015761EE6DC8>
In [15]: for i in nums:
...: print(i)
...:
0
2
4
6
8
10
12
14
16
18
In [16]: for i in nums2:
...: print(i)
...:
0
2
4
6
8
10
12
14
16
18
生成器和列表都可以用for遍历。
方法2：
把函数变为生成器。
只要函数里有yield，那么这个函数就会变成生成器。
如果想得到斐波那契数列的前多少位，可以这样来实现：
def worker(tmp):
a, b = 0, 1
cur = 0
while cur < tmp:
print(a)
a , b = b, a+b
cur += 1
worker(10)
运行程序：
D:\>python test06.py
0
1
1
2
3
5
8
13
21
34
如果把print改为yield，那么这个函数就变成了一个生成器。调用这个生成器的方式和原来调用函数的方式不同。如果这时候还使用worker(10)的方式，不是在调用函数，而是在创建一个生成器对象。在使用for循环遍历这个生成器对象，就可以每次取到一个值。
def worker(tmp):
a, b = 0, 1
cur = 0
while cur < tmp:
# print(a)
yield a
a , b = b, a+b
cur += 1
obj = worker(10)
for i in obj:
print(i)
执行代码：
D:\>python test06.py
0
1
1
2
3
5
8
13
21
34
for从obj里逐个取值的时候，第一次从worker的开始执行，执行到yield把a的值返回，然后第二次for再取值的时候，不是从worker的头开始执行，而是从上一次yield停止的位置继续往下执行。
如果每次只想取一个值打印出来，可以使用next：
def worker(tmp):
a, b = 0, 1
cur = 0
while cur < tmp:
# print(a)
yield a
a , b = b, a+b
cur += 1
obj = worker(10)
res = next(obj)
print(res)
res = next(obj)
print(res)
res = next(obj)
print(res)
res = next(obj)
print(res)
next会取到当前yield后面的值，然后下次调用再取下一个值。
D:\>python test06.py
0
1
1
2
也就是想让生成器执行，要使用next让他执行，而不是调用生成器。
如果创建的是多个生成器：
def worker(tmp):
a, b = 0, 1
cur = 0
while cur < tmp:
# print(a)
yield a
a , b = b, a+b
cur += 1
obj = worker(10)
res = next(obj)
print(res)
res = next(obj)
print(res)
obj2 = worker(10)
res = next(obj2)
print(res)
res = next(obj2)
print(res)
运行一下：
D:\>python test06.py
0
1
0
1
两个生成器对象之间互相没有影响。
生成器的结束
还是使用异常让生成器结束遍历。
def worker(tmp):
a, b = 0, 1
cur = 0
while cur < tmp:
# print(a)
yield a
a , b = b, a+b
cur += 1
obj = worker(2)
while True:
try:
print(next(obj))
except Exception as res:
break
运行程序：
D:\>python test06.py
0
1
如果这个生成器有返回值，可以用下面的方式得到它的返回值：
def worker(tmp):
a, b = 0, 1
cur = 0
while cur < tmp:
# print(a)
yield a
a , b = b, a+b
cur += 1
return "OK!"
obj = worker(10)
while True:
try:
print(next(obj))
except Exception as res:
print(res.value)
break
运行程序：
D:\>python test06.py
0
1
1
2
3
5
8
13
21
34
OK!
生成器的启动还可以用send
用法：生成器对象.sen(参数)
程序：
def worker(tmp):
a, b = 0, 1
cur = 0
while cur < tmp:
res = yield a
print(res)
a , b = b, a+b
cur += 1
obj = worker(10)
print(next(obj))
print(obj.send("haha"))
运行结果：
D:\>python test06.py
0
haha
1
执行过程：
当用next启动生成器的时候，从worker的头开始执行，执行到yield a把a的值返回，然后打印出来。当send启动生成器的时候，系统从上一次yield的位置接着往下执行，执行到的第一条语句是把yield a 的值赋给res，yield a的值就是send中传递的参数，这时候res = “haha”，然后程序继续往下执行，打印出这个res。
send与next相比，优点就是可以传递参数。
send如果传递了参数不能一开始就调用，调用，会出错：
def worker(tmp):
a, b = 0, 1
cur = 0
while cur < tmp:
res = yield a
print(res)
a , b = b, a+b
cur += 1
obj = worker(10)
print(obj.send("haha"))
结果：
D:\>python test06.py
Traceback (most recent call last):
File "test06.py", line 12, in <module>
print(obj.send("haha"))
TypeError: can't send non-None value to a just-started generator
如果没有参数：
def worker(tmp):
a, b = 0, 1
cur = 0
while cur < tmp:
res = yield a
print(res)
a , b = b, a+b
cur += 1
obj = worker(10)
print(obj.send(None))
运行：
D:\>python test06.py
0
（2）使用yield实现多任务（协程实现多任务）
只要在函数里面写上yield，函数就变成了一个生成器，再创建生成器对象，调用next即可。
代码：
import time
def task01():
while True:
print("task01")
time.sleep(1)
yield
def task02():
while True:
print("task02")
time.sleep(1)
yield
def main():
t1 = task01()
t2 = task02()
while True:
next(t1)
next(t2)
if __name__ == '__main__':
main()
结果：
D:\>python test07.py
task01
task02
task01
task02
task01
task02
task01
task02
task01
task02
task01
task02
这是一个协程的并发（假的“一起”执行）。
（3）使用greenlet、gevent实现多任务（协程实现多任务）
使用greenlet可以替换yield。
要使用greenlet需要导入：
from greenlet import greenlet
例如：
from greenlet import greenlet
import time
def test1():
while True:
print("test1")
# 切换到gr2去执行
gr2.switch()
time.sleep(0.5)
def test2():
while True:
print("test2")
# 切换到gr1去执行
gr1.switch()
time.sleep(0.5)
# 返回值是一个greenlet对象
gr1 = greenlet(test1)
gr2 = greenlet(test2)
gr1.switch()
运行结果：
D:\>python test07.py
test1
test2
test1
test2
test1
test2
greenlet的切换是在单线程内切换，而如果想要切换到其他的协程，真正实现多任务，就需要用到gevent。
gevent也需要导入：
import gevent
例如：
import gevent
import time
def test(n):
for i in range(n):
print(gevent.getcurrent(), i)
# 指定去哪执行
g1 = gevent.spawn(test, 5)
g2 = gevent.spawn(test, 5)
g3 = gevent.spawn(test, 5)
g1.join()
g2.join()
g3.join()
运行：
D:\>python test07.py
<Greenlet at 0x158e64a3e18: test(5)> 0
<Greenlet at 0x158e64a3e18: test(5)> 1
<Greenlet at 0x158e64a3e18: test(5)> 2
<Greenlet at 0x158e64a3e18: test(5)> 3
<Greenlet at 0x158e64a3e18: test(5)> 4
<Greenlet at 0x158e6514048: test(5)> 0
<Greenlet at 0x158e6514048: test(5)> 1
<Greenlet at 0x158e6514048: test(5)> 2
<Greenlet at 0x158e6514048: test(5)> 3
<Greenlet at 0x158e6514048: test(5)> 4
<Greenlet at 0x158e6514378: test(5)> 0
<Greenlet at 0x158e6514378: test(5)> 1
<Greenlet at 0x158e6514378: test(5)> 2
<Greenlet at 0x158e6514378: test(5)> 3
<Greenlet at 0x158e6514378: test(5)> 4
在greenlet中，遇到延时，程序会等待这个延时结束，再去切换另一个任务，而gevent遇到延时就会自动切换。
例如：
import gevent
def test01(n):
for i in range(n):
print(gevent.getcurrent(), i)
gevent.sleep(0.5)
def test02(n):
for i in range(n):
print(gevent.getcurrent(), i)
gevent.sleep(0.5)
def test03(n):
for i in range(n):
print(gevent.getcurrent(), i)
gevent.sleep(0.5)
g1 = gevent.spawn(test01, 5)
g2 = gevent.spawn(test02, 5)
g3 = gevent.spawn(test03, 5)
g1.join()
g2.join()
g3.join()
运行：
D:\>python test07.py
<Greenlet at 0x255d7d63e18: test01(5)> 0
<Greenlet at 0x255d7dd4048: test02(5)> 0
<Greenlet at 0x255d7dd4378: test03(5)> 0
<Greenlet at 0x255d7d63e18: test01(5)> 1
<Greenlet at 0x255d7dd4048: test02(5)> 1
<Greenlet at 0x255d7dd4378: test03(5)> 1
<Greenlet at 0x255d7d63e18: test01(5)> 2
<Greenlet at 0x255d7dd4048: test02(5)> 2
<Greenlet at 0x255d7dd4378: test03(5)> 2
<Greenlet at 0x255d7d63e18: test01(5)> 3
<Greenlet at 0x255d7dd4048: test02(5)> 3
<Greenlet at 0x255d7dd4378: test03(5)> 3
<Greenlet at 0x255d7d63e18: test01(5)> 4
<Greenlet at 0x255d7dd4048: test02(5)> 4
<Greenlet at 0x255d7dd4378: test03(5)> 4
如果是三个协程执行的是同一份代码：
import gevent
def test01(n):
for i in range(n):
print(gevent.getcurrent(), i)
gevent.sleep(0.5)
g1 = gevent.spawn(test01, 5)
g2 = gevent.spawn(test01, 5)
g3 = gevent.spawn(test01, 5)
g1.join()
g2.join()
g3.join()
运行：
D:\>python test07.py
<Greenlet at 0x19a8ef33e18: test01(5)> 0
<Greenlet at 0x19a8efa4048: test01(5)> 0
<Greenlet at 0x19a8efa4378: test01(5)> 0
<Greenlet at 0x19a8ef33e18: test01(5)> 1
<Greenlet at 0x19a8efa4048: test01(5)> 1
<Greenlet at 0x19a8efa4378: test01(5)> 1
<Greenlet at 0x19a8ef33e18: test01(5)> 2
<Greenlet at 0x19a8efa4048: test01(5)> 2
<Greenlet at 0x19a8efa4378: test01(5)> 2
<Greenlet at 0x19a8ef33e18: test01(5)> 3
<Greenlet at 0x19a8efa4048: test01(5)> 3
<Greenlet at 0x19a8efa4378: test01(5)> 3
<Greenlet at 0x19a8ef33e18: test01(5)> 4
<Greenlet at 0x19a8efa4048: test01(5)> 4
<Greenlet at 0x19a8efa4378: test01(5)> 4
先打印了每个协程的0，然后打印了1、2、3、4。
所以gevent在有延迟的时候，自动切换了。
协程依赖与线程，线程依赖于线程。
进程、线程、协程对比
- 进程是资源分配的基本单位，多进程耗费资源最多。
- 多线程的程序，同一时间只有一个线程在运行。
- 在不考虑GIL的前提下，优先考虑线程，再考虑协程，再考虑进程。
- 协程利用进程在等待的时间去做别的事情，协程切换资源消耗小，效率高。
- 进程最稳定。
