Summary  
This chapter explains how to use locks to ensure exclusive access to shared data and queues to safely pass information between concurrent tasks, preventing race conditions.

General domain of usage  
Concurrent programming

In this video, we'll use the analogy of The Shared Recipe Book to explain synchronization and communication in Python threads and processes. Imagine two chefs (representing threads) working in a busy kitchen. They both need to update the 'Eggs Used' count in a shared recipe book. If both chefs try to write in the book at the same time, the numbers can get mixed up—this is called a race condition. For example, both chefs see the count as 5, each adds 1, and both write down 6—when it should be 7! This is data corruption caused by unsynchronized access.

To prevent this, we introduce a Lock, which acts like a physical key to the recipe book. Only the chef holding the key can open the book and update the count. Other chefs must wait their turn until the key is available. This ensures that only one chef updates the book at a time, keeping the numbers accurate—just like how a Python lock prevents threads from corrupting shared data.

Now, let's talk about Queues. Think of a Queue as a note box next to the recipe book. Instead of updating the book directly, each chef writes a note with their update and puts it in the box. The box is managed so that only one note is processed at a time, and updates are made safely in order. In Python, queues handle all the necessary locking internally, making it easy for threads or processes to communicate without worrying about race conditions.

Finally, Shared Memory is like a chalkboard on the kitchen wall, visible to all chefs. It's fast because anyone can write on it, but if two chefs write at the same time, their notes can overlap and become unreadable—like smudged chalk. To prevent this, the chefs still need to use the key (Lock) before writing on the chalkboard, ensuring only one writes at a time.

In summary, whether you're using a recipe book (shared data), a note box (queue), or a chalkboard (shared memory), synchronization tools like locks and queues are essential for keeping your data accurate and your kitchen (program) running smoothly. Python provides these tools to help you coordinate threads and processes safely and efficiently.

Beim Arbeiten mit Threads oder Prozessen ist es oft notwendig, Daten zu teilen oder deren Aktionen zu koordinieren. Ohne geeignete Synchronisation könnten zwei Threads versuchen, gleichzeitig dieselbe Variable zu aktualisieren, was zu unvorhersehbaren Ergebnissen führt, die als **Race Conditions** bekannt sind. Um dies zu verhindern, stellt Python Synchronisationsmechanismen wie **Locks**, **Queues** und **Shared Memory** zur Verfügung.

Ein **Lock** ist ein einfaches Mittel, das sicherstellt, dass immer nur ein Thread auf einen bestimmten Codeabschnitt oder eine bestimmte Datenstruktur zugreifen kann. Wenn ein Thread ein Lock erwirbt, müssen andere Threads warten, bis es wieder freigegeben wird. Dadurch werden widersprüchliche Änderungen durch mehrere Threads verhindert.

**Queues** sind ein weiteres leistungsfähiges Werkzeug für die sichere Kommunikation zwischen Threads und Prozessen. Eine Queue ermöglicht es einem Thread oder Prozess, Daten sicher einzufügen, während ein anderer sie entnimmt. Die Klasse `queue.Queue` (für Threads) und `multiprocessing.Queue` (für Prozesse) übernehmen intern alle notwendigen Sperrmechanismen, sodass keine Race Conditions auftreten können.

Mit **Shared Memory** können Prozesse direkt auf dieselben Daten zugreifen, allerdings müssen dabei Synchronisationsmechanismen wie Locks oder Semaphore verwendet werden, um Konflikte zu vermeiden. In den meisten Fällen ist die Verwendung von Queues für die Kommunikation zwischen Prozessen einfacher und sicherer.

Das obige Video zeigt, wie ein Lock verhindern kann, dass zwei Threads gemeinsame Daten beschädigen, und wie eine Queue genutzt werden kann, um Daten sicher zwischen parallelen Aufgaben zu übertragen.

import threading

counter = 0
lock = threading.Lock()

def increment():
    global counter
    for _ in range(10000):
        with lock:  #  Ensuring only one thread enters this block at a time
            counter += 1

threads = []
for _ in range(5):
    t = threading.Thread(target=increment)
    threads.append(t)
    t.start()

for t in threads:
    t.join()

print("Final counter value:", counter)
# Without the lock, the final value would likely be wrong due to race conditions.
# With the lock, the result is always correct: 50000.

Welche Synchronisationsprimitive würdest du verwenden, um Daten sicher zwischen mehreren Threads in Python zu teilen?

Sie werden praktische Fähigkeiten in Pythons Modulen und Importen für effizientes Code-Management erwerben. Beherrschen Sie fortgeschrittene Fehlerbehandlungstechniken für zuverlässigere Anwendungen, automatisieren Sie Dateioperationen mit Dateiverwaltung und lernen Sie robuste Teststrategien mit Pytest und Unittest, um die Integrität Ihres Codes sicherzustellen.

Master Python's exception system for robust error handling and debugging.

Explore advanced techniques for file operations and resource management using context managers.

Compare and apply Python's multithreading and multiprocessing modules for concurrent programming.

Master asynchronous programming in Python using the asyncio library for scalable I/O-bound applications.

Explore how to write, organize, and run tests using Python's unittest and pytest frameworks.

Synchronisation und Kommunikation