Summary
This chapter explains how to create and manage threads with Python’s threading module, covering thread lifecycle methods like start() and join(), and using locks to synchronize access to shared data.

General domain of usage
I/O-bound tasks


Imagine a kitchen as your Python process: it's the environment where all the action happens. Inside this kitchen, chefs represent threads—each chef is a worker, carrying out specific tasks. The fridge and counter are like your shared memory (RAM), where all chefs can reach for ingredients or place finished dishes. This is how threads in Python share data—they all work in the same space and can access the same resources.

When you run multiple threads, it's like having a team of chefs in the same kitchen. If one chef is waiting for the oven (an I/O bound operation), another can chop vegetables or start a new dish. This is concurrency: tasks overlap in time, making the kitchen more efficient.

However, there's a special rule in Python called the Global Interpreter Lock, or GIL. Think of the GIL as the 'Master Knife'—only one chef can use it at any moment. Chefs must pass the knife between them quickly, so it looks like they're all working at once. In reality, only one chef is actively preparing food with the knife at any given time. This means threads take turns running Python code, even though they share the kitchen.

Let's tie this back to the threading code example. When you create two threads, it's like hiring two chefs. Each chef has a name, so you can tell who is doing what. The 'start' method signals both chefs to begin working, and 'join' waits for both to finish before you close the kitchen. If both chefs need the fridge at the same time, you use a lock—like a kitchen rule—to make sure they don't collide or spoil the ingredients. This way, your kitchen (process) stays organized, and your chefs (threads) can work together safely and efficiently.. In video use code samples with 9 code lines maximum and one sample at each slide.

Il modulo `threading` di Python offre un modo semplice ma potente per creare e gestire thread, consentendo l'esecuzione simultanea di più operazioni all'interno di un singolo processo. I thread sono unità di esecuzione leggere che condividono lo stesso spazio di memoria, risultando adatti per attività come operazioni di I/O, attesa di risorse esterne o aggiornamento di interfacce utente.

Il ciclo di vita di un thread generalmente comprende diverse fasi:  
- Creazione: un oggetto thread viene istanziato ma non ancora avviato;  
- Avvio: viene chiamato il metodo `start()` del thread, che lo porta nello stato pronto all'esecuzione;  
- Esecuzione: il thread esegue la sua funzione target;  
- Terminazione: il thread termina l'esecuzione, completando il proprio compito o incontrando un'eccezione non gestita.



La gestione dei thread richiede particolare attenzione alla **sincronizzazione**, poiché i thread condividono dati e risorse. Senza un'adeguata sincronizzazione, si possono verificare **race condition** o stati incoerenti. Il modulo `threading` mette a disposizione primitive come `Lock`, `RLock` ed `Event` per coordinare l'accesso dei thread alle risorse condivise.

 

Di seguito una tabella che presenta funzioni utili per creare, gestire e sincronizzare thread in modo efficace durante il lavoro con attività concorrenti in Python.

Creates a new thread object; pass a target function and arguments.

Begins execution of the thread; runs the target function in a new thread. 

Waits for the thread to finish before continuing execution.

Adds a thread object to a list; used to collect multiple threads so they can be managed as a group.

Returns the currently executing thread object. 

Creates a lock object for synchronizing access to shared resources.

Creates a re-entrant lock, allowing the same thread to acquire it multiple times.

Creates an event object for signaling between threads.

Sets or gets the thread's name for easier identification


Il seguente esempio mostra come sia possibile creare e avviare più thread utilizzando il modulo `threading`, consentendo l'esecuzione concorrente di diversi compiti.

import threading
import time

def print_numbers(name):
    for i in range(1, 4):
        print(f"Thread {name}: {i}")
        time.sleep(0.5)

# Create thread objects
thread1 = threading.Thread(target=print_numbers, args=("A",))
thread2 = threading.Thread(target=print_numbers, args=("B",))

# Start the threads
thread1.start()
thread2.start()

# Wait for both threads to finish
thread1.join()
thread2.join()

print("Both threads have finished.")

Si definisce una funzione, `print_numbers`, che stampa una sequenza di numeri insieme al nome del thread. Quando si crea ciascun thread, si passano gli argomenti utilizzando il parametro `args`: in questo caso, ogni thread riceve un nome diverso ("A" o "B") per distinguere facilmente i rispettivi output. Chiamando il metodo `start()`, entrambi i thread iniziano l'esecuzione e vengono eseguiti in modo concorrente. La chiamata a `time.sleep(0.5)` all'interno del ciclo simula un ritardo nell'esecuzione, consentendo ai thread di alternare i propri output e rendendo evidente che entrambi sono attivi contemporaneamente. Il metodo `join()` viene poi utilizzato per attendere che entrambi i thread terminino prima di proseguire, assicurando che il programma principale non finisca prematuramente. Questo approccio permette di eseguire i task in parallelo, sfruttando in modo efficiente i tempi di attesa e abilitando l'esecuzione concorrente all'interno di un singolo processo.

Quale delle seguenti affermazioni sulla sincronizzazione dei thread in Python è corretta?

Acquisizione di competenze pratiche nella gestione dei moduli e delle importazioni in Python per una gestione efficiente del codice. Padronanza delle tecniche avanzate di gestione degli errori per applicazioni più affidabili, automazione delle operazioni sui file con la gestione dei file e apprendimento di strategie di testing robuste con Pytest e Unittest per garantire l'integrità del codice.

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.

Lavorare con i thread