这次让我们来看看一个真实场景吧：银行转账
一、举例银行转账
假设现在有一个xuewei的账号里面有 100W。
然后有多个任务在转账，转入转出都是跟这个xuewei账号相关的。
而且这些任务发生是随机的。
我们先把上面的场景写成代码：
xuewei_account = 100 # amount为负数即是转出金额 def transfer(money): global xuewei_account xuewei_account += money
下面是多个线程，多线程模拟转账事件，我们假设有4个事件在同时发生。
import random
import threading
import datetime
import time
xuewei_account = 100
# amount为负数即是转出金额
def transfer(money):
global xuewei_account
xuewei_account += money
# 创建4个任务给学委账户转账
for i in range(10000):
threading.Thread(target=lambda: transfer(-1)).start()
threading.Thread(target=lambda: transfer(1)).start()
threading.Thread(target=lambda: transfer(-1)).start()
threading.Thread(target=lambda: transfer(1)).start()
# 等待活跃线程只剩下主线程MainThread
time.sleep(10)
print("-" * 16)
print("活跃线程数:", threading.active_count())
print("活跃线程:", threading.current_thread().name)
print("学委账户余额：", xuewei_account)
这里启动了4个线程循环了10000次，也就是4万个线程，分别于学委的账户进行转账。
下面是运行结果：
运行几次学委的账户还是正确的，余额还是100W。
上面的代码线程几万个，但每次运行的操作都很简单，完成一次加法。
线程一个接一个start，非常快速就切换下一个线程， 我们看到程序没有出现问题。
下面进行改造，这次不要就4万线程了，我们让转账这个任务耗时更多，每启动一个线程进行模拟10万次转账。
import random import threading import datetime import time xuewei_account = 100 # amount为负数即是转出金额 def transfer(money): global xuewei_account for x in range(100000): xuewei_account += money
创建4个任务给重复学委账户转账：
for i in range(10):
threading.Thread(target=lambda: transfer(-1)).start()
threading.Thread(target=lambda: transfer(1)).start()
threading.Thread(target=lambda: transfer(-1)).start()
threading.Thread(target=lambda: transfer(1)).start()
time.sleep(10)
print("-" * 16)
print("活跃线程数:", threading.active_count())
print("活跃线程:", threading.current_thread().name)
print("学委账户余额：", xuewei_account)
这里运行的结果就比较出乎意料了：
多线程编程复杂的地方就在这里了, 有时候明明平平无奇的代码，改造成多线程，就很容易出bug！
当然上面的代码并不是平平无奇，相比第一段代码，上面的转账函数做的事件更多，更耗时。
二、问题解决
我们加上锁。
代码如下：
import random
import threading
import datetime
import time
xuewei_account = 100
lock = threading.Lock()
# amount为负数即是转出金额
def transfer(money):
lock.acquire()
global xuewei_account
for x in range(100000):
xuewei_account += money
lock.release()
# 创建4个任务给重复学委账户转账
for i in range(10):
threading.Thread(target=lambda: transfer(-1)).start()
threading.Thread(target=lambda: transfer(1)).start()
threading.Thread(target=lambda: transfer(-1)).start()
threading.Thread(target=lambda: transfer(1)).start()
time.sleep(10)
print("-" * 16)
print("活跃线程数:", threading.active_count())
print("活跃线程:", threading.current_thread().name)
print("学委账户余额：", xuewei_account)
运行结果如下：
上面的代码不管怎么运行，运行多少次最后学委的账户都是100.（PS：学委不会联系读者转账的，这个特别注意）。
不管多少个线程，每次转账函数内部转账的代码（从global到 += money这一段代码）只会被一个线程调用。
三、总结
展示了同步机制解决一些编程问题的思路。读者可以多多借鉴，思考锁的应用。
为什么在对amount重度操作（本文第二段代码）的时候，计算就出错了！
这里amount相当于多线程都在操作的变量，也就是共享变量，多线程编程要特别注意这类变量，避免出现对共享变量的操作，有些程序在并发规模很小的时候一点问题也没有。
并发编程是高度利用CPU计算能力的编程方式，并发程序也就是在并行执行同类任务的程序。这个可以跟单线程应用比较。
到此这篇关于Python线程之同步机制实际应用场景举例说明的文章就介绍到这了,更多相关Python线程同步机制内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文链接：https://levin.blog.csdn.net/article/details/121943332
