python多线程内存共享方式包括：1. 全局变量配合lock确保线程安全，适用于简单数据共享；2. queue.queue实现线程安全通信，适合生产者-消费者模型；3. threading.local为线程提供独立数据副本，避免状态冲突；4. multiprocessing.shared_memory（python 3.8+）共享大块二进制数据如numpy数组，需手动同步。应根据场景选择合适机制并处理线程安全。
Python多线程中，由于全局解释器锁（GIL）的存在，虽然多线程在CPU密集型任务中无法真正并行执行，但在IO密集型场景下仍具有实用价值。而在线程之间共享数据是常见需求。以下是几种常用的内存共享方式及其使用场景和注意事项。
1. 共享全局变量
最直接的共享方式是使用模块级的全局变量。所有线程都可以读写同一个变量，但由于Python对象的可变性不同，需注意线程安全。
说明： - 对于不可变类型（如int、str），直接赋值会创建新对象，其他线程不可见。 - 可变类型（如list、dict）可以在原地修改，多个线程看到的是同一对象。建议：
- 使用 threading.Lock 保护共享资源，避免竞态条件。
- 示例：
import threading </li></ul><p>data = [] lock = threading.Lock()</p><p>def add_item(value): with lock: data.append(value)</p><p>t1 = threading.Thread(target=add_item, args=(1,)) t2 = threading.Thread(target=add_item, args=(2,)) t1.start(); t2.start() t1.join(); t2.join()
2. 使用 queue.Queue 实现线程间通信
queue.Queue 是线程安全的队列实现，适合生产者-消费者模型。
立即学习“Python免费学习笔记（深入）”；
优点： - 内置锁机制，无需手动加锁。 - 支持阻塞操作（put/get 可设置超时）。 - 可控制缓冲区大小，防止内存溢出。使用示例：
import queue import threading <p>q = queue.Queue(maxsize=5)</p><div class="aritcle_card flexRow"> <div class="artcardd flexRow"> <a class="aritcle_card_img" href="/xiazai/shouce/1782" title="OpenMP多线程编程指南 WORD版"><img src="https://img.php.cn/upload/manual/000/000/013/170692411925933.png" alt="OpenMP多线程编程指南 WORD版" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a> <div class="aritcle_card_info flexColumn"> <a href="/xiazai/shouce/1782" title="OpenMP多线程编程指南 WORD版">OpenMP多线程编程指南 WORD版</a> <p>本文档主要讲述的是OpenMP多线程编程指南；OpenMP是由OpenMP Architecture Review Board牵头提出的，并已被广泛接受的，用于共享内存并行系统的多线程程序设计的一套指导性注释(Compiler Directive)。OpenMP是一种面向共享内存以及分布式共享内存的多处理器多线程并行编程语言，能被用于显示指导多线程、共享内存并行的应用程序编程接口。希望本文档会给有需要的朋友带来帮助；感兴趣的朋友可以过来看看</p> </div> <a href="/xiazai/shouce/1782" title="OpenMP多线程编程指南 WORD版" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a> </div> </div><p>def producer(): for i in range(5): q.put(i) # 自动阻塞当队列满 print(f"Produced {i}")</p><p>def consumer(): while True: item = q.get() if item is None: break print(f"Consumed {item}") q.task_done()3. 使用 threading.local 创建线程局部存储
虽然这不是“共享”，但用于避免共享冲突的一种策略：为每个线程提供独立的数据副本。
适用场景： - 需要每个线程有独立状态（如数据库连接、用户上下文）。 - 防止变量污染。示例：
import threading <p>local_data = threading.local()</p><p>def process(name): local_data.name = name print(f"Hello {local_data.name}")</p><p>t1 = threading.Thread(target=process, args=("Alice",)) t2 = threading.Thread(target=process, args=("Bob",))4. 使用 multiprocessing.shared_memory（限Python 3.8+）
虽然名字叫 multiprocessing，但从Python 3.8起，shared_memory 模块也可被线程使用，尤其适合共享大块二进制数据（如NumPy数组）。
特点： - 共享真实内存区域，节省复制开销。 - 需手动管理生命周期（创建/释放）。 - 线程间访问仍需同步机制。示例（共享NumPy数组）：
from multiprocessing import shared_memory import numpy as np import threading <h1>创建共享内存</h1><p>a = np.array([1, 2, 3, 4]) shm = shared_memory.SharedMemory(create=True, size=a.nbytes) buf = np.ndarray(a.shape, dtype=a.dtype, buffer=shm.buf) buf[:] = a[:]</p><p>def modify_array(offset): buf[offset] += 10</p><p>t1 = threading.Thread(target=modify_array, args=(0,)) t2 = threading.Thread(target=modify_array, args=(1,)) t1.start(); t2.start() t1.join(); t2.join()</p><p>print(buf) # 查看结果 shm.close() # 使用完释放 shm.unlink() # 删除共享内存
基本上就这些常见的Python多线程内存共享方案。根据实际需求选择：简单共享用全局变量加锁，通信用Queue，隔离状态用threading.local，大数据用shared_memory。关键是处理好线程安全问题。
