Python基础知识（23）：进程和线程（Ⅱ）
一、threadlocal
在多线程环境下，每个线程都有自己的数据
一个线程使用自己的局部变量比使用全局变量好，因为局部变量只有线程自己能看见，不会影响其他线程，而全局变量的修改必须加锁
在函数间一层层调用的时候，使用局部变量很麻烦，使用全局变量无法实现不同对象之间的共享
threadlocal消除了对象在每层函数中的传递问题
ThreadLocal最常用的地方就是为每个线程绑定一个数据库连接，HTTP请求，用户身份信息等，这样一个线程的所有调用到的处理函数都可以非常方便地访问这些资源
二、进程 VS. 线程
要实现多任务，通常我们会设计Master-Worker模式，Master负责分配任务，Worker负责执行任务，因此，多任务环境下，通常是一个Master，多个Worker
如果用多进程实现Master-Worker，主进程就是Master，其他进程就是Worker
如果用多线程实现Master-Worker，主线程就是Master，其他线程就是Worker
（1）多进程模式最大的优点就是稳定性高，因为一个子进程崩溃了，不会影响主进程和其他子进程
它的缺点是创建进程的代价大，在Windows下创建进程开销巨大
另外，操作系统能同时运行的进程数也是有限的，在内存和CPU的限制下，如果有几千个进程同时运行，操作系统连调度都会成问题
（2）多线程模式通常比多进程快一点，多线程模式致命的缺点就是任何一个线程挂掉都可能直接造成整个进程崩溃，因为所有线程共享进程的内存
在Windows上，如果一个线程执行的代码出了问题，你经常可以看到这样的提示：“该程序执行了非法操作，即将关闭”，其实往往是某个线程出了问题，但是操作系统会强制结束整个进程
1、线程切换
假设有A、B、C三个任务，A需要站在梯子上完成，B要坐着完成，C要在水里完成，要完成这三个任务都需要1个小时，如果依次执行这三个线程总共要花3个小时，这种方式称为单任务模型，或者批处理任务模型
线程切换：每个任务来回切换，都执行一点，但线程切换是有代价的
多任务一旦多到一个限度，就会消耗掉系统所有的资源，结果效率急剧下降，所有任务都做不好
2、计算密集型 VS. IO密集型
（1）可以把任务分为计算密集型和IO密集型
（2）计算密集型任务的特点是要进行大量的计算，消耗CPU资源
这种计算密集型任务虽然也可以用多任务完成，但是任务越多，花在任务切换的时间就越多，CPU执行任务的效率就越低
对于计算密集型任务，最好用C语言编写
（3）IO密集型，涉及到网络、磁盘IO的任务都是IO密集型任务，这类任务的特点是CPU消耗很少，任务的大部分时间都在等待IO操作完成
对于IO密集型任务，任务越多，CPU效率越高，但也有一个限度。常见的大部分任务都是IO密集型任务，比如Web应用。
对于IO密集型任务，最合适的语言就是开发效率最高（代码量最少）的语言，脚本语言是首选
3、异步IO
即多进程模型或者多线程模型来支持多任务并发执行
现代操作系统对IO操作已经做了巨大的改进，最大的特点就是支持异步IO
如果充分利用操作系统提供的异步IO支持，就可以用单进程单线程模型来执行多任务，这种全新的模型称为事件驱动模型
在Python语言中，单线程的异步编程模型称为协程，有了协程的支持，就可以基于事件驱动编写高效的多任务程序
三、分布式进程
在Thread和Process中，应当优选Process，因为Process更稳定，而且，Process可以分布到多台机器上，而Thread最多只能分布到同一台机器的多个CPU上
Python的multiprocessing模块不但支持多进程，其中managers子模块还支持把多进程分布到多台机器上