Python中的线程本地存储

Question

如何在Python中使用线程本地存储？

有关

• Python中的“线程本地存储”是什么，为什么需要它？-共享变量时，该线程似乎更加关注。

Answer 1

例如，如果您有一个线程工作池，并且每个线程都需要访问其自己的资源（例如网络或数据库连接），则线程本地存储很有用。请注意，该threading模块使用常规的线程概念（可以访问进程全局数据），但是由于全局解释器锁定，它们并不是太有用。不同的multiprocessing模块会为每个模块创建一个新的子流程，因此任何全局变量都将是线程局部的。

这是一个简单的示例：

import threading
from threading import current_thread

threadLocal = threading.local()

def hi():
    initialized = getattr(threadLocal, 'initialized', None)
    if initialized is None:
        print("Nice to meet you", current_thread().name)
        threadLocal.initialized = True
    else:
        print("Welcome back", current_thread().name)

hi(); hi()

这将打印出：

Nice to meet you MainThread
Welcome back MainThread

一件很容易被忽略的重要事情：一个threading.local()对象只需要创建一次，而不是每个线程一次或每个函数调用一次。的global或class水平的理想地点。

这就是为什么：threading.local()每次调用它时都会实际上创建一个新实例（就像任何工厂或类调用一样），因此threading.local()多次调用会不断覆盖原始对象，这很可能不是您想要的。当任何线程访问现有threadLocal变量（或任何被调用的变量）时，它将获得该变量的私有视图。

这将无法正常工作：

import threading
from threading import current_thread

def wont_work():
    threadLocal = threading.local() #oops, this creates a new dict each time!
    initialized = getattr(threadLocal, 'initialized', None)
    if initialized is None:
        print("First time for", current_thread().name)
        threadLocal.initialized = True
    else:
        print("Welcome back", current_thread().name)

wont_work(); wont_work()

将产生以下输出：

First time for MainThread
First time for MainThread

多处理模块

因为multiprocessing模块为每个线程创建一个新进程，所以所有全局变量都是线程局部的。

考虑以下示例，其中processed计数器是线程本地存储的示例：

from multiprocessing import Pool
from random import random
from time import sleep
import os

processed=0

def f(x):
    sleep(random())
    global processed
    processed += 1
    print("Processed by %s: %s" % (os.getpid(), processed))
    return x*x

if __name__ == '__main__':
    pool = Pool(processes=4)
    print(pool.map(f, range(10)))

它将输出如下内容：

Processed by 7636: 1
Processed by 9144: 1
Processed by 5252: 1
Processed by 7636: 2
Processed by 6248: 1
Processed by 5252: 2
Processed by 6248: 2
Processed by 9144: 2
Processed by 7636: 3
Processed by 5252: 3
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

…当然，线程ID以及每个线程ID和每个命令的计数会因运行而异。