使用锁可解决Python多线程数据竞争问题。1. threading.Lock通过acquire()和release()控制共享资源访问，确保同一时间仅一个线程执行临界区代码；2. with语句自动管理加锁释放，避免死锁，推荐使用；3. RLock支持同一线程多次加锁，适用于递归场景；4. 注意锁粒度应小，避免在锁中执行耗时操作，防止死锁需按序获取锁，且因GIL存在，多线程不适用CPU密集任务。
在Python多线程编程中，多个线程同时访问共享资源时容易引发数据竞争问题。为了保证线程安全，需要使用锁（Lock）来控制对共享资源的访问。锁的基本作用是：同一时间只允许一个线程执行被锁保护的代码段。
1. 使用 threading.Lock 基本用法
Python 的 threading 模块提供了 Lock 类，可以通过 acquire() 和 release() 方法手动加锁和解锁。
- acquire()：获取锁，如果锁已被其他线程持有，当前线程会阻塞等待
- release()：释放锁，只能由持有锁的线程调用
示例代码：
import threading import time共享资源
counter = 0
立即学习“Python免费学习笔记（深入）”；
创建锁
lock = threading.Lock()
def worker(): global counter for _ in range(100000): lock.acquire() # 加锁 counter += 1 # 修改共享资源 lock.release() # 释放锁
创建多个线程
threads = [] for i in range(5): t = threading.Thread(target=worker) threads.append(t) t.start()
for t in threads: t.join()
print("最终 counter 值:", counter) # 正确结果应为 500000
2. 使用 with 语句自动管理锁
为了避免忘记释放锁导致死锁，推荐使用 with 语句。它能确保锁在代码块执行完成后自动释放，即使发生异常也不会出错。
改进后的写法：
def worker():
global counter
for _ in range(100000):
with lock: # 自动加锁和释放
counter += 1
这种方式更安全、简洁，是实际开发中的推荐做法。
3. 可重入锁 RLock
普通 Lock 不允许同一线程重复获取锁，否则会死锁。如果函数递归调用或多次加锁，应使用 threading.RLock（可重入锁）。
RLock 允许同一个线程多次 acquire()，但必须有相同次数的 release()。
示例：
lock = threading.RLock()def recursive_func(n): with lock: if n > 0: print(f"n = {n}") recursive_func(n - 1) # 可以再次获取同一把锁
4. 锁的注意事项
- 避免长时间持有锁，只锁定必要的代码段
- 不要在锁内执行耗时操作（如网络请求、sleep），会影响其他线程
- 防止死锁：多个锁要按固定顺序获取
- GIL（全局解释器锁）存在，Python 多线程不适合 CPU 密集型任务
基本上就这些。正确使用锁能有效避免多线程中的数据混乱问题。不复杂但容易忽略细节。
