Python多线程实战指南（从零开始掌握Python并发编程与多线程算法）

什么是多线程？

线程是操作系统能够进行运算调度的最小单位。一个进程可以包含多个线程，它们共享进程的内存空间。在Python中，我们使用内置的 threading 模块来创建和管理线程。

需要注意的是，由于Python的全局解释器锁（GIL）机制，Python多线程在CPU密集型任务中并不能真正实现并行计算。但在I/O密集型场景下，多线程依然非常高效。

第一个多线程程序

让我们从一个简单的例子开始：创建两个线程，分别打印数字。

import threadingimport timedef print_numbers():    for i in range(5):        print(f"Number: {i}")        time.sleep(1)def print_letters():    for letter in ['A', 'B', 'C', 'D', 'E']:        print(f"Letter: {letter}")        time.sleep(1)# 创建线程对象thread1 = threading.Thread(target=print_numbers)thread2 = threading.Thread(target=print_letters)# 启动线程thread1.start()thread2.start()# 等待两个线程完成thread1.join()thread2.join()print("所有线程执行完毕！")

运行这段代码，你会看到数字和字母交替输出，这说明两个线程在“同时”运行（实际上是快速切换）。

线程安全与锁机制

当多个线程访问共享资源（如全局变量）时，可能会出现数据竞争问题。这时我们需要使用锁（Lock）来保证线程安全。

import threadingcounter = 0lock = threading.Lock()def increment():    global counter    for _ in range(100000):        with lock:  # 自动获取和释放锁            counter += 1# 创建多个线程threads = []for i in range(5):    t = threading.Thread(target=increment)    threads.append(t)    t.start()# 等待所有线程完成for t in threads:    t.join()print(f"最终计数器值: {counter}")  # 应该是 500000

在这个例子中，with lock 确保了每次只有一个线程能修改 counter，从而避免了数据混乱。

实战：多线程下载网页

下面是一个更实用的例子：使用多线程同时下载多个网页内容。这正是Python并发编程在I/O密集型任务中的典型应用。

import threadingimport requestsimport timeurls = [    'https://httpbin.org/delay/1',    'https://httpbin.org/delay/2',    'https://httpbin.org/delay/1',]results = {}lock = threading.Lock()def fetch_url(url):    response = requests.get(url)    with lock:        results[url] = response.status_code    print(f"已获取 {url}，状态码: {response.status_code}")start_time = time.time()# 创建并启动线程threads = []for url in urls:    t = threading.Thread(target=fetch_url, args=(url,))    threads.append(t)    t.start()# 等待所有线程完成for t in threads:    t.join()end_time = time.time()print(f"\n总耗时: {end_time - start_time:.2f} 秒")print("结果:", results)

如果不用多线程，逐个下载这些URL可能需要4秒以上；而使用多线程算法后，总时间接近最长的那个请求（约2秒），效率大幅提升！

总结

通过本教程，你已经掌握了：

• 如何使用 threading.Thread 创建和管理线程
• 如何使用锁（Lock）解决线程安全问题
• 在I/O密集型任务中应用Python threading教程中的技巧提升性能

记住：多线程不是万能的，要根据任务类型选择合适的并发模型（如多进程、异步IO等）。但对于网络请求、文件操作等场景，Python多线程依然是简单高效的解决方案。

现在，动手试试吧！你可以修改上面的代码，加入更多功能，比如错误处理、进度条等，进一步巩固你的Python并发编程技能。