面试题：Python多线程与Web框架的协作

安装必要库：
- 通常Python自带threading模块用于多线程处理。如果有更高级的异步需求，还可以考虑asyncio库。在Django项目中，这些库一般无需额外安装，因为Python标准库默认包含threading，asyncio也是Python 3.4+的标准库。

创建多线程任务函数：

在Django应用的某个模块（例如utils.py）中定义处理耗时任务的函数。例如：

import time


def batch_data_processing(data_list):
    for data in data_list:
        # 模拟数据处理
        time.sleep(1)
        print(f"Processing {data}")

在视图或其他合适位置使用多线程：

在视图函数中引入多线程：

from django.http import HttpResponse
import threading
from. import utils


def my_view(request):
    data_list = [1, 2, 3, 4, 5]
    # 创建线程
    thread = threading.Thread(target = utils.batch_data_processing, args=(data_list,))
    # 启动线程
    thread.start()
    return HttpResponse("Task started in a new thread.")

避免与Django主线程冲突：
- 数据库操作：
  - Django的数据库连接是线程局部的，这意味着每个线程都有自己独立的数据库连接。但是要注意事务管理，避免在子线程中开启长事务影响主线程。如果子线程需要进行数据库操作，建议使用atomic装饰器或上下文管理器，例如：
```
from django.db import transaction


def batch_data_processing(data_list):
    with transaction.atomic():
        for data in data_list:
            # 数据库操作
            pass
```
- 共享资源：
  - 避免在主线程和子线程之间共享可变的全局状态。如果必须共享，使用线程锁（threading.Lock）来保护共享资源。例如：
```
shared_variable = 0
lock = threading.Lock()


def increment_shared_variable():
    global shared_variable
    with lock:
        shared_variable += 1
```
合理管理多线程资源：
- 线程数量控制：
  - 根据服务器的CPU核心数和内存等资源来合理设置线程数量。例如，对于CPU密集型任务，线程数量不宜超过CPU核心数；对于I/O密集型任务，可以适当增加线程数量。可以通过multiprocessing.cpu_count()获取CPU核心数。
- 线程生命周期管理：
  - 确保线程能够正确结束。如果线程中包含无限循环，要提供一种退出机制，例如设置一个标志变量，主线程可以修改该变量通知子线程退出。
```
stop_flag = False


def long_running_task():
    while not stop_flag:
        # 任务逻辑
        pass
```
- 异常处理：
  - 在子线程函数中捕获异常，避免异常导致整个进程崩溃。可以在子线程函数内部使用try - except块处理异常，例如：
```
def batch_data_processing(data_list):
    try:
        for data in data_list:
            # 处理逻辑
            pass
    except Exception as e:
        print(f"Error in batch processing: {e}")
```

星途面试题库

面试题：Python多线程与Web框架的协作

知识考点

面试题答案