假如我们需要处理一个文本文件，里面有 100万行数据，需要对每条数据做处理，比如将每行数据的数字做一个运算，放入到另一个文件里。
最简单的办法就是打开文件，逐行读取，每读取一行，对这一行做下处理，添加到目标文件中，再回来读取下一行。
这就是线性处理方式，假如处理一行数据需要 0.1 秒，那么用线性处理方式就需要：
10万秒，即大概 28个小时
显然对我们来说，这个时间有点长，有没用办法缩短呢？
当然有办法，那就是用 多线程 处理！
为什么呢？是因为多线程是提高效率，实现更有效程序的必然状态。
比如，需要处理大量的数据，需要响应多样的请求，需要与慢速的处理过程交互等等，都需要用到线程编程。
但是，线程这个概念不太好理解，用起来也总是不方便，而且容易出错，一方面是因为，我们的思路是线性的，另一方面是多线程本身有很多需要掌握的概念，学习理解难度比较高。
今天我将分享一下我在工作中是如何利用多线程技术，提速增效的。
对于前面那个例子，可以将原来的一个处理流程，分解为多个，例如之前的处理可以分解为：
读取行、做运算、存文件 三个自流程。
这样的话，相当于将只能一个人做的工作，可以让更多的人来做，从而形成类似的流水线效应，如图所示：
流水线
这是一张 CPU 处理指令的流水线示意图，可以看到在 t3 和 t4 的时间，四个工作在同时进行。
那么用多线程，就可以使我们的三个工作出现同时运行的状态，提升效率，比如先读取一行，然后再处理数据的同时，读取下一行，如此往复。
是不是感觉很好？
先别着急，首先需要解决一个问题 ——
如何避免重复读和跳读
重复读指的是，一个以上线程读取到了同一条数据；
跳读指的是，有些数据行没有任何线程处理。
这里介绍一个帮助我处理了很多多线程问题的方法，一个数据源类。
多线程数据源类
数据源类，就是将数据集中管理，然后以线程安全的方式为多线程程序提供数据。
注意：并非最佳方法，但很实用
废话不多说，直接看代码：
import threading class DataSource: def __init__(self, dataFileName, startLine=0, maxcount=None): self.dataFileName = dataFileName self.startLine = startLine # 第一行行号为1 self.line_index = startLine # 当前读取位置 self.maxcount = maxcount # 读取最大行数 self.lock = threading.RLock() # 同步锁 self.__data__ = open(self.dataFileName, 'r', encoding= 'utf-8') for i in range(self.startLine): l = self.__data__.readline() def getLine(self): self.lock.acquire() try: if self.maxcount is None or self.line_index < (self.startLine + self.maxcount): line = self.__data__.readline() if line: self.line_index += 1 return True, line else: return False, None else: return False, None except Exception as e: return False, "处理出错:" + e.args finally: self.lock.release() def __del__(self): if not self.__data__.closed: self.__data__.close() print("关闭数据源:", self.dataFileName)
__init__初始化方法，接受 3 个参数lock属性是一个同步锁，以便在多线程读取不出现冲突
dataFileName是数据文件路径startLine开始读取行，对于大文件需要分配处理时特别有用，maxcount读取最大行数，通过和startLine配合可以读取指定部分的数据，默认为全部读取
getLine方法，每次调用会返回一个元组，包含状态和得到的，数据__del__方法会在对象销毁时调用，在此记录当前处理位置
这样就是可以应用在多线程程序中，承担读取待处理记录的任务了。
业务处理
例如核心处理程序如下：
import time def process(worker_id, datasource): count = 0 while True: status, data = datasource.getLine() if status: print(">>> 线程[%d] 获得数据， 正在处理……" % worker_id) time.sleep(3) # 等待3秒模拟处理过程 print(">>> 线程[%d] 处理数据 完成" % worker_id) count += 1 else: break # 退出循环 print(">>> 线程[%d] 结束， 共处理[%d]条数据" % (worker_id, count))
- 参数
worker_id是线程号，用于区分输出消息 - 参数
datasource是DataSource的实例，作为各线程的共享数据源 count用于记录当前线程处理的记录数- 用一个死循环，驱动反复处理，直到读取没数据可读
组装
线程组装部分就也很简单：
import threading def main(): datasource = DataSource('data.txt') workercount = 10 # 开启的线程数，注意：并非越多越快哦 workers = [] for i in range(workercount): worker = threading.Thread(target=process, args=(i+1, datasource)) worker.start() workers.append(worker) for worker in workers: worker.join()
- 先初始化一个
DataSource workercount为需要创建的线程数，在实际应用中可以通过配置或者参数提供，另外不是线程越多越好，一般设置为CPU核心数的两倍即可threading.Thread是线程类，可以实例化一个线程，target参数是线程处理方法，这里就是前面定义的process方法，args为提供给处理方法的参数- 线程的
start方法是启动线程，因为创建不等于启动，start是个异步方法，调用会瞬间完成 join方法是等待线程处理完成，是同步方法，只有线程真正处理完成才会结束
扩展
通过这样的方式，帮我处理了很多实际的业务，比如爬取关键字信息，合并数据等等。
如果处理的数据不是文本文件，只要修改一下 DataSource 的 getLine 实现就可以了，比如数据源来自数据库等。
另外，上面的 DataSource 并非最优的，只是起到了规范读取接口，防止数据误读的作用，完全谈不上性能最优。
那么如何实现更优呢，这里提供一个思路就是，使用生产者消费者模型，利用 队列，以及 预读取 技术来实现更优的数据源类。
例如，DataSource 中，是逐行读取的，可以采用预读取，即提前读取一些数据，当线程需要数据时，先给出预读取的，等预读取的数据消费到一定量时，再异步读取一部分。
这样的好处是，各个线程不必等待 IO 时间（简单理解为从文件或者网络读取的等待时间）。
如何实现呢，可以了解一下队列（queue）的概念，Python 中提供了两种队列，同步队列 queue[1] 和 队列集[2]。
想想具体应该怎么做呢？欢迎在留言区写下你的方法和建议。
总结
今天分享了一个在实际工作中用到的，多线程处理数据的例子，例子虽然简单，但很实用，已经帮助我了很多重要的工作。
谈一些感悟，Python 的应用并不仅限于数据分析、AI 领域等热门领域，更多的可以应用在于处理日常生活工作中，比如处理数据，代替手工操作，简单运算等。
我们知道，学会一个东西最好的方式是使用，对于 Python 技能来说，也是一样的，多在日常工作中用，多去解决实际问题，不用卯足了劲儿，憋个大招。
祝你在 Python 大道上越走越顺，比心！
参考资料
[1]
同步队列: https://docs.python.org/3/library/queue.html
[2]
队列集: https://docs.python.org/zh-cn/3/library/asyncio-queue.html
