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.

Bij het werken met threads of processen is het vaak nodig om data te delen of hun acties op elkaar af te stemmen. Zonder goede synchronisatie kunnen twee threads proberen om tegelijkertijd dezelfde variabele bij te werken, wat leidt tot onvoorspelbare resultaten die bekendstaan als **racecondities**. Om dit te voorkomen biedt Python synchronisatieprimitieven zoals **locks**, **queues** en **gedeeld geheugen**.

Een **lock** is een eenvoudig mechanisme dat ervoor zorgt dat slechts één thread tegelijk toegang heeft tot een stuk code of data. Als één thread een lock verkrijgt, moeten andere threads wachten tot deze wordt vrijgegeven. Dit voorkomt dat meerdere threads conflicterende wijzigingen aanbrengen.

**Queues** zijn een ander krachtig hulpmiddel voor veilige communicatie tussen threads en processen. Een queue maakt het mogelijk dat één thread of proces veilig data toevoegt, terwijl een ander deze eruit haalt. De klasse `queue.Queue` (voor threads) en `multiprocessing.Queue` (voor processen) regelen intern alle benodigde locking, zodat je je geen zorgen hoeft te maken over racecondities.

Met **gedeeld geheugen** kunnen processen direct toegang krijgen tot dezelfde data, maar je moet synchronisatieprimitieven zoals locks of semaforen gebruiken om conflicten te voorkomen. In de meeste gevallen is het gebruik van queues eenvoudiger en veiliger voor communicatie tussen processen.

De bovenstaande video laat zien hoe een lock kan voorkomen dat twee threads gedeelde data corrumperen, en hoe een queue veilig data kan doorgeven tussen gelijktijdige taken.

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.

Welke synchronisatieprimitief zou je gebruiken om veilig data te delen tussen meerdere threads in Python?

Je verwerft praktische vaardigheden in het gebruik van Python-modules en imports voor efficiënt codebeheer. Beheers geavanceerde foutafhandelings­technieken voor betrouwbaardere applicaties, automatiseer bestandsbewerkingen met bestandsafhandeling en leer robuuste teststrategieën met Pytest en Unittest om de integriteit van je code te waarborgen.

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.

Synchronisatie en Communicatie