python中，每个进程有GIL锁，导致每个进程同一时刻只能有一个线程出来执行
threading模块
import threading
import time
def foo(x):
print("--------%s" %x)
time.sleep(3)
t1=threading.Thread(target=foo,args=(2,)) #创建线程对象； 任务，参数,元组形式
t1.start() # 启动
print("ending")
join
阻塞主线程，等待线程结束后再继续执行主线程
import threading
import time
def foo(x):
print("--------%s" %x)
time.sleep(3)
def bar(n):
print("--------%s" %n)
time.sleep(5)
s = time.time()
t1=threading.Thread(target=foo,args=(2,)) #创建线程对象； 任务，参数,元组形式
t1.start() # 启动
t2=threading.Thread(target=bar,args=(5,)) #创建线程对象； 任务，参数,元组形式
t2.start() # 启动
t1.join()
t2.join()
print("ending")
print(time.time() - s)
# --------2
# --------5
# ending
# 5.001526832580566
不开多线程的运行时间
import threading
import time
def foo(x):
print("--------%s" %x)
time.sleep(3)
def bar(n):
print("--------%s" %n)
time.sleep(5)
s = time.time()
foo(2)
bar(5)
print("ending")
print(time.time() - s)
# --------2
# --------5
# ending
# 8.000638246536255
setDaemon(True) 守护线程
将线程声明为守护线程，必须在start()
方法调用之前设置，如果不设置为守护线程程序会被无限挂起。
当我们在程序运行中，执行一个主线程，如果主线程又创建一个子线程，主线程和子线程
就分兵两路，分别运行，那么当主线程完成
想退出时，会检验子线程是否完成。如果子线程未完成，则主线程会等待子线程完成后再退出。但是有时候我们需要的是只要主线程
完成了，不管子线程是否完成，都要和主线程一起退出，这时就可以
用setDaemon方法啦
当daemon设置为true时，如果主线程退出，那么子线程也将跟着退出，反之，子线程将继续运行，直到正常退出
import threading
import time
def foo(x):
time.sleep(3)
print("--------%s" % x)
def bar(n):
time.sleep(5)
print("--------%s" % n)
s = time.time()
t1=threading.Thread(target=foo,args=(2,)) #创建线程对象； 任务，参数,元组形式
# t1.setDaemon(True)
t1.start() # 启动
t2=threading.Thread(target=bar,args=(5,)) #创建线程对象； 任务，参数,元组形式
t2.setDaemon(True)
t2.start() # 启动
print("ending")
print(time.time() - s)
# ending
# 0.0010097026824951172
# --------2
Thread实例对象的方法 # isAlive(): 返回线程是否活动的。 # getName(): 返回线程名。 # setName(): 设置线程名。 threading模块提供的一些方法： # threading.currentThread(): 返回当前的线程变量。 # threading.enumerate(): 返回一个包含正在运行的线程的list。正在运行指线程启动后、结束前，不包括启动前和终止后的线程。 # threading.activeCount(): 返回正在运行的线程数量，与len(threading.enumerate())有相同的结果。
==================
计算密集型和IO密集型
IO密集：
程序中存在大量的IO操作
计算密集：
程序中存在大量计算操作（非IO操作）
对于计算密集型，多线程还不如顺序执行；GIL锁只能出来一个线程，多个线程只能切换执行，这样对于计算密集型效率就会变低
对于IO密集型，对于IO阻塞时，切换执行其他线程，这样就节省了阻塞的时间，效率就会高
结论：对于python而言，同一进程下，无法利用多核优势，多线程处理IO密集型任务时，具有优势，对于处理计算密集型的任务，不推荐使用
