Ответ
Многопоточность (multithreading) — это механизм выполнения нескольких потоков инструкций в рамках одного процесса. Потоки разделяют общие ресурсы процесса (например, память, файловые дескрипторы), но имеют собственные стеки вызовов и регистры.
Почему используется:
- Эффективность: Позволяет выполнять несколько задач "одновременно" (конкурентно), улучшая отзывчивость приложения и утилизацию ресурсов, особенно при наличии операций ввода-вывода (I/O-bound).
- Разделение ресурсов: Упрощает обмен данными между частями программы, так как потоки имеют доступ к общей памяти.
Особенности в Python: Из-за Global Interpreter Lock (GIL) в CPython, только один поток может выполнять байт-код Python в любой момент времени. Это означает, что многопоточность в Python не обеспечивает истинного параллелизма для задач, интенсивно использующих процессор (CPU-bound). Однако она эффективна для задач, ожидающих завершения операций ввода-вывода (например, сетевые запросы, чтение/запись файлов), так как GIL освобождается во время этих ожиданий.
Пример использования (Python):
import threading
import time
def task_io_bound(name):
"""Имитация I/O-bound задачи."""
print(f"Поток {name}: Начинаю I/O операцию...")
time.sleep(2) # Имитация ожидания I/O
print(f"Поток {name}: Завершил I/O операцию.")
def task_cpu_bound(name):
"""Имитация CPU-bound задачи."""
print(f"Поток {name}: Начинаю CPU операцию...")
# Простая CPU-bound задача
_ = sum(i*i for i in range(1_000_000))
print(f"Поток {name}: Завершил CPU операцию.")
# Пример для I/O-bound задач
print("--- Пример I/O-bound ---")
t1 = threading.Thread(target=task_io_bound, args=("A",))
t2 = threading.Thread(target=task_io_bound, args=("B",))
t1.start()
t2.start()
t1.join()
t2.join()
print("Все I/O-bound потоки завершены.n")
# Пример для CPU-bound задач (показывает ограничение GIL)
print("--- Пример CPU-bound (с GIL) ---")
t3 = threading.Thread(target=task_cpu_bound, args=("C",))
t4 = threading.Thread(target=task_cpu_bound, args=("D",))
t3.start()
t4.start()
t3.join()
t4.join()
print("Все CPU-bound потоки завершены. Обратите внимание, что они выполнялись последовательно из-за GIL.n")Важные аспекты:
- Накладные расходы: Потоки легче процессов, что означает меньшие накладные расходы на создание и переключение контекста.
- Синхронизация: Требуется осторожная синхронизация доступа к общим данным (например, с помощью
Lock,Semaphore,RLock), чтобы избежать состояний гонки (race conditions) и других проблем параллельного программирования. - Альтернативы в Python: Для истинного параллелизма CPU-bound задач в Python рекомендуется использовать модуль
multiprocessing, который запускает отдельные процессы, каждый со своим интерпретатором Python и, следовательно, своим GIL.