🌈个人主页: 程序员不想敲代码啊
🏆CSDN优质创作者，CSDN实力新星，CSDN博客专家
👍点赞⭐评论⭐收藏
🤝希望本文对您有所裨益，如有不足之处，欢迎在评论区提出指正，让我们共同学习、交流进步！

🎶1. 前言

🚨Python中的多线程通过threading模块来实现，它允许你并发执行多个线程，线程是操作系统能够独立调度的最小单位，它通常被用来执行并行任务。

🚨在解释Python的多线程之前，需要注意的是，由于全局解释器锁（Global Interpreter Lock，GIL）的存在，CPython（Python的主要实现版本）中的多线程通常不能在多个CPU核心中并行执行，GIL确保一次只有一个线程在Python对象上执行操作，防止并发访问导致的状态不一致。因此，Python的多线程更适用于I/O密集型任务而非CPU密集型任务。

🎶2. threading 模块的基本用法

🚨以下是使用threading模块创建和启动一个线程的基本例子：

import threading
import time

# 定义一个函数用于线程执行
def my_function(arg1, arg2):
    for i in range(arg1, arg2):
        print(f"Thread running: {i}")
        time.sleep(1) # 模拟耗时操作

# 创建线程
thread = threading.Thread(target=my_function, args=(1, 10))

# 启动线程
thread.start()

# 在主线程中继续执行其他操作
for i in range(20, 25):
    print(f"Main thread running: {i}")
    time.sleep(1)

# 等待直到线程完成
thread.join()

🎶3. Thread类

🚨在threading模块里，Thread是一个代表线程的类，你可以创建一个Thread类的实例并调用它的start()方法来运行新线程。每个Thread可以运行一个函数或方法。

🚨除了直接使用threading.Thread，你也可以通过继承Thread类来定义新的线程子类，重写其中的run()方法：

class MyThread(threading.Thread):
    def __init__(self, arg1, arg2):
        super().__init__()
        self.arg1 = arg1
        self.arg2 = arg2

    def run(self):
        for i in range(self.arg1, self.arg2):
            print(f"Running from the extended thread class: {i}")
            time.sleep(1)

# 使用自定义线程类
thread = MyThread(1, 5)
thread.start()
thread.join()

🎶4. 锁（Locks）

🚨锁是一个同步原语，用于防止多个线程同时访问共享资源，在Python中，你可以使用threading.Lock()来创建一个锁。锁有两个基本方法，acquire()和release()。当一个线程通过调用acquire()获得了锁，它会阻止其他线程获取直到它调用release()释放锁。

# 创建一个锁
lock = threading.Lock()

# 在需要访问共享资源前获取锁
lock.acquire()

# 访问共享资源
# ...

# 完成共享资源的访问后释放锁
lock.release()

🚨可以使用 with 语句简化以上模式，这样可以保证锁被正确释放：

with lock:
    # 访问共享资源
    # ...

🎶5. 守护线程（Daemon Threads）

🚨守护线程是一种特殊的线程，它在主线程退出时也会随之退出，与常规线程相比，守护线程不用等待它完成才能退出程序。通过设置线程的daemon属性为True，可以将线程声明为守护线程：

thread = threading.Thread(target=my_function, args=(1, 10))
thread.daemon = True
thread.start()

🎶6. 运用场景

🚨在Python中，多线程经常被用于处理I/O密集型任务，例如文件读写、网络通讯等等。对于CPU密集型任务，多进程通常是更好的选择。

🎶7. 弊端

🚨由于GIL的存在，在CPython的多线程程序不会真正地并行执行多线程，即使在多核CPU上。为了克服这个限制，可以考虑使用multiprocessing模块，这个模块通过创建多个进程来实现真正的并行计算（每个进程有自己的GIL）。当然，每个场景下都需要仔细考虑是否适合多线程、多进程或者其他解决方案，比如异步编程（asyncio）或者其他并发框架（如concurrent.futures）。