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/skill12569" title="Biopython"><img src="https://img.php.cn/upload/skill/001/246/273/6adaf20e695c2374.jpg" alt="Biopython" ></a> <div class="aritcle_card_info flexColumn"> <a href="/xiazai/skill12569" title="Biopython">Biopython</a> <p>全面的分子生物学工具集。适用于序列操作、文件解析（FASTA/GenBank/PDB）、系统发育分析，以及通过 Bio.Entrez 以编程方式访问 NCBI/</p> </div> <a href="/xiazai/skill12569" title="Biopython" 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。
