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.

När du arbetar med trådar eller processer behöver du ofta dela data eller samordna deras åtgärder. Utan korrekt synkronisering kan två trådar försöka uppdatera samma variabel samtidigt, vilket leder till oförutsägbara resultat, så kallade **race conditions**. För att förhindra detta tillhandahåller Python synkroniseringsprimitiver såsom **lås**, **köer** och **delat minne**.

Ett **lås** är en enkel mekanism som säkerställer att endast en tråd kan komma åt en kodsektion eller data åt gången. Om en tråd tar ett lås måste andra trådar som försöker ta det vänta tills det släpps. Detta förhindrar att flera trådar gör motstridiga ändringar.

**Köer** är ett annat kraftfullt verktyg för säker kommunikation mellan trådar och processer. En kö gör det möjligt för en tråd eller process att säkert lägga in data, medan en annan tar ut den. Klassen `queue.Queue` (för trådar) och `multiprocessing.Queue` (för processer) hanterar all nödvändig låsning internt, så du behöver inte oroa dig för race conditions.

Med **delat minne** kan processer komma åt samma data direkt, men du måste använda synkroniseringsprimitiver som lås eller semaforer för att undvika konflikter. I de flesta fall är det enklare och säkrare att använda köer för kommunikation mellan processer.

Videon ovan visar hur ett lås kan förhindra att två trådar förstör delad data, och hur en kö kan användas för att säkert överföra data mellan samtidiga uppgifter.

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.

Vilken synkroniseringsprimitiv skulle du använda för att säkert dela data mellan flera trådar i Python?

Du kommer att förvärva praktiska färdigheter i Pythons moduler och importer för effektiv kodhantering. Behärska avancerade tekniker för felhantering för mer tillförlitliga applikationer, automatisera filoperationer med filhantering och lär dig robusta teststrategier med Pytest och Unittest för att säkerställa kodens integritet.

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.

Synkronisering och Kommunikation