Python中threading的join和setDaemon的区别及用法[例子]
发布日期:2021-06-30 17:48:23 浏览次数:3 分类:技术文章

本文共 1973 字,大约阅读时间需要 6 分钟。

Python多线程编程时,经常会用到join()和setDaemon()方法,今天特地研究了一下两者的区别。

 

 

1、join ()方法:主线程A中,创建了子线程B,并且在主线程A中调用了B.join(),那么,主线程A会在调用的地方等待,直到子线程B完成操作后,才可以接着往下执行,那么在调用这个线程时可以使用被调用线程的join方法。

 

原型:join([timeout])
     里面的参数时可选的,代表线程运行的最大时间,即如果超过这个时间,不管这个此线程有没有执行完毕都会被回收,然后主线程或函数都会接着执行的。

例子:

 

 

 

[python]   
  1. import threading  
  2. import time  
  3. class MyThread(threading.Thread):  
  4.         def __init__(self,id):  
  5.                 threading.Thread.__init__(self)  
  6.                 self.id = id  
  7.         def run(self):  
  8.                 x = 0  
  9.                 time.sleep(10)  
  10.                 print self.id  
  11.   
  12. if __name__ == "__main__":  
  13.         t1=MyThread(999)  
  14.         t1.start()  
  15.         for i in range(5):  
  16.                 print i  

执行后的结果是:

[python]   
  1. 0  
  2. 1  
  3. 2  
  4. 3  
  5. 4  
  6. 999  

机器上运行时,4和999之间,有明显的停顿。解释:线程t1 start后,主线程并没有等线程t1运行结束后再执行,而是先把5次循环打印执行完毕(打印到4),然后sleep(10)后,线程t1把传进去的999才打印出来。

现在,我们把join()方法加进去(其他代码不变),看看有什么不一样,例子:

 

[python]   
  1. import threading  
  2. import time  
  3. class MyThread(threading.Thread):  
  4.         def __init__(self,id):  
  5.                 threading.Thread.__init__(self)  
  6.                 self.id = id  
  7.         def run(self):  
  8.                 x = 0  
  9.                 time.sleep(10)  
  10.                 print self.id  
  11.    
  12. if __name__ == "__main__":  
  13.         t1=MyThread(999)  
  14.         t1.start()  
  15.         t1.join()  
  16.         for i in range(5):  
  17.                 print i  
执行后的结果是: 

 

[python]   
  1. 999  
  2. 0  
  3. 1  
  4. 2  
  5. 3  
  6. 4  

机器上运行时,999之前,有明显的停顿。解释:线程t1 start后,主线程停在了join()方法处,等sleep(10)后,线程t1操作结束被join,接着,主线程继续循环打印。

2、setDaemon()方法。主线程A中,创建了子线程B,并且在主线程A中调用了B.setDaemon(),这个的意思是,把主线程A设置为守护线程,这时候,要是主线程A执行结束了,就不管子线程B是否完成,一并和主线程A退出.这就是setDaemon方法的含义,这基本和join是相反的。此外,还有个要特别注意的: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。

例子:就是设置子线程随主线程的结束而结束:

[python]   
  1. import threading  
  2. import time  
  3. class MyThread(threading.Thread):  
  4.         def __init__(self,id):  
  5.                 threading.Thread.__init__(self)  
  6.         def run(self):  
  7.                 time.sleep(5)  
  8.                 print "This is " + self.getName()  
  9.    
  10. if __name__ == "__main__":  
  11.         t1=MyThread(999)  
  12.         t1.setDaemon(True)  
  13.         t1.start()  
  14.         print "I am the father thread."  

执行后的结果是:

[python]   
  1. I am the father thread.  

可以看出,子线程t1中的内容并未打出。解释:t1.setDaemon(True)的操作,将父线程设置为了守护线程。根据setDaemon()方法的含义,父线程打印内容后便结束了,不管子线程是否执行完毕了。

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方法了。

所以,join和setDaemon的区别如上述的例子,它们基本是相反的。

转载地址:https://lexsaints.blog.csdn.net/article/details/80589226 如侵犯您的版权,请留言回复原文章的地址,我们会给您删除此文章,给您带来不便请您谅解!

上一篇:mysql 数据库导入导出方法总结
下一篇:Python之signal模块详解

发表评论

最新留言

逛到本站,mark一下
[***.202.152.39]2024年04月19日 00时00分30秒

关于作者

    喝酒易醉,品茶养心,人生如梦,品茶悟道,何以解忧?唯有杜康!
-- 愿君每日到此一游!

推荐文章

神经网络调参实战(四)—— 加深网络层次 & 批归一化 batch normalization 2019-04-30
数据挖掘与数据分析(三)—— 探索性数据分析EDA(多因子与复合分析) & 可视化(1)—— 假设检验(μ&卡方检验&方差检验(F检验))&相关系数(皮尔逊&斯皮尔曼) 2019-04-30
RRT算法(快速拓展随机树)的Python实现 2019-04-30
路径规划(二) —— 轨迹优化(样条法) & 局部规划(人工势能场法) & 智能路径规划(生物启发(蚁群&RVO) & 强化学习) 2019-04-30
D*算法 2019-04-30
强化学习(四) —— Actor-Critic演员评论家 & code 2019-04-30
RESTful API 2019-04-30
优化算法(四)——粒子群优化算法(PSO) 2019-04-30
数据挖掘与数据分析(三)—— 探索性数据分析EDA(多因子与复合分析) & 可视化(2)——回归分析(最小二乘法&决定系数&残差不相关)&主成分分析&奇异值分解 2019-04-30
数据在Oracle中的存储 2019-04-30
优化算法(五)—人工蜂群算法Artificial Bee Colony Algorithm(ABC) 2019-04-30
轨迹规划 trajectory planning 2019-04-30
AGV自动导引运输车 2019-04-30
Trie树(字典树) 2019-04-30
COMP7404 Machine Learing——Logistic Regression 2019-04-30
COMP7404 Machine Learing——Regularization(参数C) 2019-04-30
COMP7404 Machine Learing——KNN 2019-04-30
COMP7404 Machine Learing——SVM 2019-04-30
COMP7404 Machine Learing——Decision Tree & Random Forests 2019-04-30
COMP7404 Machine Learing——Hyperparameter Grid Search & Nested Cross-Validation 2019-04-30