02

B 高性能模式/01 高性能模式.md

@@ -2,7 +2,7 @@
 从计算机系统结构的角度，提高 Python 任务执行速度的核心在于：减少解释器开销（编译/JIT）、提升并行性（多核/GPU）、优化内存访问（缓存友好）、降低 I/O 瓶颈以及适配硬件特性等。当前主要办法如下：
 
 ### 计算单元层面利用多核并行计算
-对于 CPU 密集型任务，使用多进程，每个进程拥有独立的 Python 解释器和内存空间运行在独立的内核上，实现并行计算。
+对于 CPU 密集型任务，使用多进程，每个进程拥有独立的 Python 解释器和内存空间，运行在独立的内核上，实现并行计算。
 
 
 ### I/O 层面减少等待时间
@@ -12,30 +12,30 @@
 
 
 ### 编译层面减少解释器开销
-- 使用 JIT 编译器：Just-In-Time（JIT）编译可以在运行时将Python代码编译成机器码，从而提升执行速度 。PyPy 是一种替代 CPython 的实现，使用 JIT 技术，PyPy 的 JIT 引擎可以分析代码执行路径，优化频繁调用的函数，充分利用处理器架构。
-- **Cython 编译**：Cython 允许开发者为 Python 代码添加 C 类型的注解，并编译为 C 代码，再由 C 编译器生成机器码。Cython 特别适合静态类型优化的场景。
+- 使用 JIT 编译器：Just-In-Time（JIT）编译可以在运行时将Python代码编译成机器码，从而提升执行速度 。PyPy 是一种替代 CPython 的实现，PyPy 的 JIT 引擎可以分析代码执行路径，优化频繁调用的函数，充分利用处理器架构。
+- **Cython 编译**：Cython 允许开发者为 Python 代码添加 C 类型注解，并编译为 C 代码，再由 C 编译器生成机器码。Cython 特别适合静态类型优化场景。
 
 
 ### 利用Python的解释器特性
 -  **使用内置数据类型和函数**：内置的数据类型（如列表、字典、集合等）和函数通常经过高度优化。
--  **选择合适的数据结构**：例如，一些类型执行一些操作更快，一些类型更省空间
+-  **选择合适的数据结构**：例如，一些类型执行一些操作更快，一些类型更省空间。
 -  **减少全局变量的使用**：访问全局变量通常比局部变量慢，因为它们需要在更大的作用域中查找。
 -  **减少函数调用**，可降低堆栈操作开销。
--  使用列表推导式替代循环追加，避免频繁创建和销毁临时对象的开销。
+-  使用列表推导式替代循环，降低频繁创建和销毁临时对象的开销。
 -  使用生成器而不是列表来处理大数据集，以减少内存占用。
 -  使用XX池或预分配资源。
 
 
 ### 使用第三方高性能库
 -  NumPy、Pandas这些库用 C/C++ 编写并经过优化。
--  NumPy 使用连续内存块存储数据，向量化操作来代替显式的Python循环更高效 。
--  SIMD 指令加速，NumPy、Numba、Pandas/SciPy 都使用了SIMD。Cython 可以直接用 C 代码使用SIMD 。
+-  NumPy 使用连续内存块存储数据，向量化操作来代替显式的Python循环，更高效 。
+-  SIMD 指令加速，NumPy、Numba、Pandas/SciPy 都使用了 SIMD。Cython 可以直接用 C 代码使用 SIMD 。
 - `gzip` 模块可压缩数据，减少网络传输的数据量，提高网络传输速度。
-- `mmap` 模块进行内存映射文件，处理超大文件、优化I/O性能以及进程间通信方面具有显著优势。
-- `functools.lru_cache` 缓存计算结果，避免重复计算  。
+- `mmap` 模块实现内存映射文件，在处理超大文件、优化I/O性能以及进程间通信方面具有显著优势。
+- `functools.lru_cache` 缓存计算结果，避免重复计算 。
 
 
 ## 总结
-具体实施时，应根据任务类型（CPU 密集型、I/O 密集型或混合型）选择合适的优化策略，并结合性能分析工具（如 cProfile 、timeit或 line_profiler）定位瓶颈。
-计算设备方面的简单提升办法：使用多机、更快的 CPU、更多核的CPU、更多的内存、更快的存储、使用 GPU/FPGA/TPU 。
-此外，随着Python社区的发展，新的技术和工具不断涌现，开发者应持续关注最新的进展，以便更好地优化自己的代 。
+具体实施时，应根据任务特点选择合适的策略，并结合性能分析工具（如 cProfile 、timeit或 line_profiler）定位瓶颈。
+计算设备方面的简单提升办法：使用多机、更快的 CPU、更多核的CPU、更多的内存、更快的存储、增加 GPU/FPGA/TPU 。
+此外，随着Python社区的发展，新的技术和工具不断涌现，开发者应持续关注最新进展，以便更好地优化自己的代码 。

B 高性能模式/02 操作系统相关知识.md

@@ -1,27 +1,30 @@
 
 ### 内存管理
-段：存放的是全局变量和静态变量
+段：存放全局变量和静态变量
 栈：系统自动分配释放，函数参数值，局部变量，返回地址等在此
 堆：存放动态分配的数据，由开发人员自行管理
 
 不同操作系统进程和线程实现机制有不同。
 
 虚拟内存技术，把进程虚拟地址空间划分成用户空间和内核空间。
-在 32 位的操作系统中，4GB 的进程地址中用户空间为 0～3G，内核地址空间为 3～4G，
+在 32 位操作系统中，4GB 的进程地址中用户空间为 0～3G，内核地址空间为 3～4G，
 用户不能直接操作内核地址，只有通过系统调用的方式访问。
 
 线程共享虚拟内存和全局变量等资源，线程拥有自己的私有数据比如栈和寄存器。
 
 
 ## 多任务
-多任务就是操作系统可以同时运行多个任务。分为并行和并发两种。
+多任务就是可以同时运行多个任务。分为并行和并发两种。
 并行是真在不同CPU核上同时执行，并发是轮换在一个核上执行。
 
+
 ## 阻塞/非阻塞
 等候消息的过程中能不能干其他事
 
+
 ## 同步/异步
-指的是消息通知的机制
+一个任务完成后才能开始下一个任务是同步，
+多个任务同时在运行状态是异步 。
 通知调用者的三种方式，如下
 状态：即监听被调用者的状态，调用者每隔一段时间检查一次是否完成（轮询）。
 通知：当被调用者执行完成后，发出通知告知调用者。
@@ -42,7 +45,7 @@
 一个进程无法访问另一个进程的空间
 一个进程运行的失败也不会影响其他进程的运行
 
-因为操作系统可以切换进程，所以看起来同时运行的进程数会超过核数
+因为操作系统可以切换进程，所以并发的进程数会超过核数
 当需要创建的子进程数量巨大时，可以创建进程池
 进程间常通过消息队列程序实现数据传递
 
@@ -53,6 +56,6 @@
 
 一个进程下的多个线程可以共享该进程的资源，包括内存。
 多个线程同时对同一个全局变量操作，会出现竞争问题，从而数据结果会不正确
-同步控制。某个线程要更改数据时，先将其锁定，直到将状态变成“非锁定”，其他的线程才能锁该资源。
+解决办法：某个线程要更改数据时，先将其锁定，直到将状态变成“非锁定”，其他的线程才能锁该资源。
 如果两个线程分别占有一部分资源并且同时等待对方的资源，就会造成死锁。
 可以用一些机制解决死锁，比如超时。

B 高性能模式/03 多线程的应用场景.md

@@ -1,19 +1,17 @@
 
 
 Python的多线程时间切片间隔可以通过 sys.setswitchinterval() 设置。其他切换触发条件 ：
-- 当线程等待I/O操作（如网络请求或磁盘读写）时，GIL会被释放，允许其他线程运行。
-- 某些函数（如 time.sleep()）会显式释放GIL，切换到其他线程执行。
-- 线程主动释放GIL。
+- 当线程等待I/O操作（如网络请求或磁盘读写）
+- 某些函数（如 time.sleep()）会触发切换
+- 线程主动释放GIL
 
-异步编程特别适合高并发的 I/O 密集型任务（如 Web 服务器、爬虫、实时通信）, 特别是大量并发连接的任务。
-对于 **I/O 密集型任务**，**异步编程** 通常比 **多线程** 是更好的选择。
-多线程相对编程简单 。
+异步编程通常比多线程控制更精细，但，多线程相对编程简单 。
 
 以下场景更适合使用 **多线程**：
 
 ### 场景：**GUI 应用程序**
 
-在 GUI（图形用户界面）应用程序中，主线程负责处理用户交互，而其他任务（如文件读写、网络请求）需要在后台运行，以避免阻塞主线程导致界面卡顿。多线程可以与 GUI 主线程共享内存，方便更新界面状态。线程间通信简单，适合处理后台任务。GUI 框架（如 PyQt、Tkinter）通常有自己的事件循环，与异步编程的事件循环冲突。
+在 GUI（图形用户界面）应用程序中，主线程负责处理用户交互，而其他任务（如文件读写、网络请求）需要在后台运行，以避免阻塞主线程导致界面卡顿。多线程可以与 GUI 主线程共享内存，方便更新界面状态。线程间通信简单。GUI 框架（如 PyQt、Tkinter）通常有自己的事件循环，用异步编程容易冲突。
    
 ```python
 
@@ -134,8 +132,8 @@ main()
 
 ### 场景：**任务队列与线程池**
 
-在需要处理大量短期任务的场景中（如 Web 服务器的请求处理），使用线程池可以简单编程实现高效地管理任务。
-特别类似上面场景，有些任务是阻塞式的，不支持异步
+在需要处理大量短期任务的场景中（如 Web 服务器的请求处理），使用线程池可以简单编程实现高效管理任务。
+特别有些任务是阻塞式的，不支持异步 。
 
 ```python
 import concurrent.futures
@@ -186,42 +184,3 @@ def main():
 main()
 ```
 
-### 场景：**需要共享状态**
-
-在某些场景中，多个任务需要频繁共享和修改状态（如缓存、计数器），使用多线程可以方便地共享内存。
-线程之间可以直接访问和修改共享变量。
-异步任务之间是独立的，不能直接共享变量或状态。
-如果需要在任务之间共享状态，必须通过显式的机制（如队列、回调函数）来传递数据。
-
-```python
-import threading
-
-class Counter:
-    def __init__(self):
-        self.value = 0
-        self.lock = threading.Lock()
-
-    def increment(self):
-        with self.lock:
-            self.value += 1
-            print(f"计数器值: {self.value}")
-
-def worker(counter):
-    for _ in range(5):
-        counter.increment()
-
-def main():
-    print("主线程开始")
-    counter = Counter()
-    # 创建多个线程共享计数器
-    threads = []
-    for i in range(3):
-        thread = threading.Thread(target=worker, args=(counter,))
-        thread.start()
-        threads.append(thread)
-    for thread in threads:
-        thread.join()
-    print("主线程结束")
-
-main()
-```

B 高性能模式/04 其它知识.md

@@ -18,6 +18,7 @@ JIT 的工作原理：**解释执行**：程序开始时，代码以解释方式
 
 异步编程：异步编程是一种编程范式，允许任务并发执行。
 在 Python 中，异步编程可以通过协程、回调、事件循环等多种方式实现。
+异步编程适合高并发的 I/O 密集型任务（如 Web 服务器、爬虫、实时通信）, 特别是大量并发连接的任务。
 
 协程：协程是异步编程的一种实现方式，协程是一种在执行过程中可以暂停和恢复的函数。
 协程运行在线程之上，协程的调度完全由用户控制 。