今天来学习线程同步与并发，我们先来看一下线程之间的几种通信方式：
1.线程之间的几种通信方式
Event：事件；
Critical Section：临界区；
Semaphone：信号量；
2.Event事件的使用
Event是事件处理的机制，全局定义了一个内置标志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；
我们先来看看下面的实例：
from threading import Thread, Event
import time
def teacher(event: Event):
print('I am teacher , waiting for your homework')
event.wait()
print("I am teacher, already obtaining student's homework ")
def student(event: Event):
finished_homework = []
while len(finished_homework) < 10:
time.sleep(1)
print('I am student, finished one homework')
finished_homework.append(1)
else:
print('student finish homework')
event.set()
if __name__ == '__main__':
event = Event()
Thread(target=student, args=(event,)).start()
Thread(target=teacher, args=(event,)).start()
这个实例首先从threading 模块中导入了Thread和Event两个类，然后定义了两个方法teacher和student，在if __name__ == '__main__'中执行了这两个方法。
按照正常一般的代码执行顺序，会先打印teacher方法中的第一个print，然后来到了event.wait()，wait()方法的语法为wait(self, timeout=None)，timeout用于设置等待的时长，如果超过时长则不再等待，直接向下执行，如果timeout没有指定则一 直等待，等待的时候是阻塞的；
我们可以看到teacher方法中的event.wait()并没有设置timeout，所以会阻塞，开始执行student方法，student方法里面是一个while循环，需要打印10遍print中的内容，打印完毕后进入else，其中有一个event.set()方法，会将flag设置为True，wait等待的线程就可以向下执行；
所以刚刚teacher方法中等待的会继续执行，我们来看一下输出结果：
I am teacher , waiting for your homework
I am student, finished one homework
I am student, finished one homework
I am student, finished one homework
I am student, finished one homework
I am student, finished one homework
I am student, finished one homework
I am student, finished one homework
I am student, finished one homework
I am student, finished one homework
I am student, finished one homework
student finish homework
I am teacher, already obtaining student's homework
event实例对象的对象方法介绍：
wait(self, timeout=None)：timeout为设置等待的时长，如果超过时长(返回值为False)则不再等待，直接向下执行，如果timeout没有指定则一 直等待，等待的时候是阻塞的没有返回值，；
set()：如果执行event.set()，将会设置flag为True，那么wait等待的线程就可以向下执行；
clear()：如果执行event.clear()，将会设置flag标记为Flase, 那么wait等待的线程将再次等待(阻塞)；
is_set()：判断event的flag是否为True，如果为True的话wait等待的线程将向下执行；
3.线程锁
Lock是Python中最底层的同步机制，直接由底层模块 thread 实现，每个lock对象只有两种状态，也就是上锁和未上锁；
我们可以通过下面两种方式创建一个Lock对象，注意新创建的 Lock 对象处于未上锁的状态：
thread.allocate_lock()
threading.Lock()
锁是解决临界区资源的问题，保证每一个线程访问临界资源的时候有全部的权利，一旦某个线程获得锁， 其它试图获取锁的线程将被阻塞；
locked()方法：用于判断当前是否上锁，如果上锁，返回True，否则返回False；
acquire(blocking=True,timeout=-1)：表示加锁，默认True为加锁状态(阻塞)，False为不阻塞，timeout为设置时长；
release()方法：用于释放锁，在完成任务的时候释放锁，让其他的线程获取到临界资源，注意此时必须处于上锁的状态，如果试图释放一个unlocked 的锁，将抛出异常 thread.error；
我们通过两个实例来看一下线程锁的作用：
实例1：
import time
from threading import Thread
homework_list = []
def student(number):
while len(homework_list) < number: # 满足条件则继续执行下面的代码
time.sleep(0.001) # 等待0.001秒
homework_list.append(1)
print(len(homework_list))
if __name__ == '__main__':
for i in range(10):
Thread(target=student, args=(10, )).start() # 同时开启10个线程
time.sleep(3) # 等待3秒
print('完成作业的总数为： {}'.format(len(homework_list)))
运行实例1，我们发现最终输出结果完成作业的总数为：19，但是根据代码逻辑来看，应该输出10才对，这是为什么呢？其实是因为在多线程情况下操作临界资源，出现了临界资源争抢的问题，那如何解决这个问题呢，我们来看实例2；
实例2：
import time
import threading
from threading import Thread, Lock
homework_list = []
lock = Lock() # 全局阻塞锁
def student(number):
while True:
lock.acquire() # 一定要在获取临界资源之前加锁
if len(homework_list) >= number: # 满足条件则跳出循环，不满足则继续
break
time.sleep(0.001) # 等待0.001秒
homework_list.append(1)
lock.release() # 完成任务的时候释放锁，让其他的线程获取到临界资源
print('current_thread={}, homework_list={}'.format(threading.current_thread().name, len(homework_list)))
if __name__ == '__main__':
for i in range(10):
Thread(target=student, name='student {}'.format(i), args=(10, )).start() # 同时开启10个线程
time.sleep(3) # 等待3秒
print('完成作业的总数为： {}'.format(len(homework_list)))
运行实例2发现最终输出完成作业的总数为： 10，是我们想要的结果，实例1和实例2 不同之处在于实例2在获取临界资源之前加了锁，也就是lock.acquire()，我们知道一旦某个线程获得锁， 其它试图获取锁的线程将被阻塞，所以这里不会再发生临界资源争抢的问题了；
4.锁在with语句中的使用
使用with语句加锁with lock，会默认自动释放锁，不需要再使用release()方法来释放锁了，这样可以避免程序中忘记释放锁，更加方便；
import time
import threading
from threading import Thread, Lock
homework_list = []
# 全局阻塞锁
lock = Lock()
def student(number):
while True:
with lock:
if len(homework_list) >= number:
break
time.sleep(0.001)
homework_list.append(1)
print('current_thread={}, homework_list={}'.format(threading.current_thread().name, len(homework_list)))
if __name__ == '__main__':
for i in range(10):
Thread(target=student, name='student {}'.format(i), args=(1000, )).start()
time.sleep(3)
print('完成作业的总数为： {}'.format(len(homework_list)))
所以其实这样写，和上面的实例2是一样的效果哟，并且省略了释放锁的步骤，因为with默认自动释放锁，这样就不怕忘记释放锁而导致代码报错了；
5.线程池
接下来学习一下线程池，也就是ThreadPoolExecutor，线程池在构造实例的时候，会传入max_workers参数来设置线程池中最多能同时运行的线程数目；
线程池实例对象有两个非常使用的方法，submit方法和map方法：
submit(self, fn, *args, **kwargs)：提交线程需要执行的任务(函数名和参数)到线程池中，并返回该任务的句柄，用于提交单个任务；
map(self, fn, *iterables, timeout=None, chunksize=1)：类似高阶函数map，可以提交任务，且传递一个可迭代对象，返回任务处理迭代对象的结果；
from concurrent.futures import ThreadPoolExecutor
import requests
def fetch_url(url):
result = requests.get(url=url, )
return result.text
# 创建10个线程队列的线程池
pool = ThreadPoolExecutor(10)
# 获取任务返回对象
a = pool.submit(fetch_url, '')
# 取出返回的结果
x = a.result()
print(x) # 获得百度的源码
6.全局解释器锁
尽管Python完全支持多线程编程， 但是解释器的C语言实现部分在完全并行执行时并不是线程安全的，实际上，解释器被一个全局解释器锁保护着 ，它确保任何时候都只有一个Python线程执行；
GIL最大的问题就是Python的多线程程序并不能利用多核CPU的优势, 就是因为GIL的存在，使得一个进程的多个线程在执行任务的时候，一个CPU时 间片内，只有一个线程能够调度到CPU上运行；
因此CPU密集型的程序一般不会使用Python实现，可以选择Java，GO等语言；
但是对于非CPU密集型程序，例如IO密集型程序，多数时间都是对网络IO的等待，因此Python的多线程完全可以胜任；
对于全局解释器锁的解决方案：
使用multiprocessing创建进程池对象，实现多进程并发，这样就能够使用多CPU计算资源；
使用C语言扩展，将计算密集型任务转移给C语言实现去处理，在C代码实现部分可以释放GIL；
多线程和多进程解决方案：
如果想要同时使用多线程和多进程，最好在程序启动时，创建任何线程之前，先创建一个单例的进程池， 然后线程使用同样的进程池来进行它们的计 算密集型工作，这样类似于线程调用了进程，完成了CPU密集型任务，进程也利用了多CPU的优势；
