. 前言

作為進(jìn)階系列的一個(gè)分支「并發(fā)編程」，我覺得這是每個(gè)程序員都應(yīng)該會的。

并發(fā)編程 這個(gè)系列，我準(zhǔn)備了將近一個(gè)星期，從知識點(diǎn)梳理，到思考要舉哪些例子才能更加讓人容易吃透這些知識點(diǎn)。希望呈現(xiàn)出來的效果真能如想象中的那樣，對小白也一樣的友好。

昨天大致整理了下，這個(gè)系列我大概會講如下內(nèi)容（后期可能調(diào)整）：

對于并發(fā)編程，Python的實(shí)現(xiàn)，總結(jié)了一下，大致有如下三種方法：

• 多線程
• 多進(jìn)程
• 協(xié)程（生成器）

在之后的章節(jié)里，將陸陸續(xù)續(xù)地給大家介紹到這三個(gè)知識點(diǎn)。

. 并發(fā)編程的基本概念

在開始講解理論知識之前，先過一下幾個(gè)基本概念。雖然咱是進(jìn)階教程，但我也希望寫得更小白，更通俗易懂。

• 串行：一個(gè)人在同一時(shí)間段只能干一件事，譬如吃完飯才能看電視；
• 并行：一個(gè)人在同一時(shí)間段可以干多件事，譬如可以邊吃飯邊看電視；

在Python中，多線程 和 協(xié)程 雖然是嚴(yán)格上來說是串行，但卻比一般的串行程序執(zhí)行效率高得很。一般的串行程序，在程序阻塞的時(shí)候，只能干等著，不能去做其他事。就好像，電視上播完正劇，進(jìn)入廣告時(shí)間，我們卻不能去趁廣告時(shí)間是吃個(gè)飯。對于程序來說，這樣做顯然是效率極低的，是不合理的。

當(dāng)然，學(xué)完這個(gè)課程后，我們就懂得，利用廣告時(shí)間去做其他事，靈活安排時(shí)間。這也是我們多線程和協(xié)程 要幫我們要完成的事情，內(nèi)部合理調(diào)度任務(wù)，使得程序效率最大化。

雖然 多線程 和 協(xié)程 已經(jīng)相當(dāng)智能了。但還是不夠高效，最高效的應(yīng)該是一心多用，邊看電視邊吃飯邊聊天。這就是我們的 多進(jìn)程 才能做的事了。

為了更幫助大家更加直觀的理解，在網(wǎng)上找到兩張圖，來生動形象的解釋了多線程和多進(jìn)程的區(qū)別。（侵刪）

多線程，交替執(zhí)行，另一種意義上的串行。

多進(jìn)程，并行執(zhí)行，真正意義上的并發(fā)。

. 單線程VS多線程VS多進(jìn)程

文字總是蒼白無力的，千言萬語不如幾行代碼來得孔武有力。

首先，我的實(shí)驗(yàn)環(huán)境配置如下

注意以下代碼，若要理解，對小白有如下知識點(diǎn)要求:

• 裝飾器的運(yùn)用
• 多線程的基本使用
• 多進(jìn)程的基本使用
  

當(dāng)然，看不懂也沒關(guān)系，主要最后的結(jié)論，能讓大家對單線程、多線程、多進(jìn)程在實(shí)現(xiàn)效果上有個(gè)大體清晰的認(rèn)識，達(dá)到這個(gè)效果，本文的使命也就完成了，等到最后，學(xué)完整個(gè)系列，不妨再回頭來理解也許會有更深刻的理解。

下面我們來看看，單線程，多線程和多進(jìn)程，在運(yùn)行中究竟孰強(qiáng)孰弱。

開始對比之前，首先定義四種類型的場景

• CPU計(jì)算密集型
• 磁盤IO密集型
• 網(wǎng)絡(luò)IO密集型
• 【模擬】IO密集型

為什么是這幾種場景，這和多線程 多進(jìn)程的適用場景有關(guān)。結(jié)論里，我再說明。

            
# CPU計(jì)算密集型
def count(x=1, y=1):
  # 使程序完成150萬計(jì)算
  c = 0
  while c < 500000:
    c += 1
    x += x
    y += y


# 磁盤讀寫IO密集型
def io_disk():
  with open("file.txt", "w") as f:
    for x in range(5000000):
      f.write("python-learning\n")


# 網(wǎng)絡(luò)IO密集型
header = {
  'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36'}
url = "https://www.tieba.com/"

def io_request():
  try:
    webPage = requests.get(url, headers=header)
    html = webPage.text
    return
  except Exception as e:
    return {"error": e}


# 【模擬】IO密集型
def io_simulation():
  time.sleep(2)


          

比拼的指標(biāo)，我們用時(shí)間來考量。時(shí)間耗費(fèi)得越少，說明效率越高。

為了方便，使得代碼看起來，更加簡潔，我這里先定義是一個(gè)簡單的 時(shí)間計(jì)時(shí)器 的裝飾器。如果你對裝飾器還不是很了解，也沒關(guān)系，你只要知道它是用于 計(jì)算函數(shù)運(yùn)行時(shí)間的東西就可以了。

            
def timer(mode):
  def wrapper(func):
    def deco(*args, **kw):
      type = kw.setdefault('type', None)
      t1=time.time()
      func(*args, **kw)
      t2=time.time()
      cost_time = t2-t1
      print("{}-{}花費(fèi)時(shí)間：{}秒".format(mode, type,cost_time))
    return deco
  return wrapper

          

第一步，先來看看單線程的

            
@timer("【單線程】")
def single_thread(func, type=""):
  for i in range(10):
       func()

# 單線程
single_thread(count, type="CPU計(jì)算密集型")
single_thread(io_disk, type="磁盤IO密集型")
single_thread(io_request,type="網(wǎng)絡(luò)IO密集型")
single_thread(io_simulation,type="模擬IO密集型")


          

看看結(jié)果

【單線程】-CPU計(jì)算密集型花費(fèi)時(shí)間：83.42633867263794秒
【單線程】-磁盤IO密集型花費(fèi)時(shí)間：15.641993284225464秒
【單線程】-網(wǎng)絡(luò)IO密集型花費(fèi)時(shí)間：1.1397218704223633秒
【單線程】-模擬IO密集型花費(fèi)時(shí)間：20.020972728729248秒

第二步，再來看看多線程的

            
@timer("【多線程】")
def multi_thread(func, type=""):
  thread_list = []
  for i in range(10):
    t=Thread(target=func, args=())
    thread_list.append(t)
    t.start()
  e = len(thread_list)

  while True:
    for th in thread_list:
      if not th.is_alive():
        e -= 1
    if e <= 0:
      break

# 多線程
multi_thread(count, type="CPU計(jì)算密集型")
multi_thread(io_disk, type="磁盤IO密集型")
multi_thread(io_request, type="網(wǎng)絡(luò)IO密集型")
multi_thread(io_simulation, type="模擬IO密集型")


          

看看結(jié)果

【多線程】-CPU計(jì)算密集型花費(fèi)時(shí)間：93.82986998558044秒
【多線程】-磁盤IO密集型花費(fèi)時(shí)間：13.270896911621094秒
【多線程】-網(wǎng)絡(luò)IO密集型花費(fèi)時(shí)間：0.1828296184539795秒
【多線程】-模擬IO密集型花費(fèi)時(shí)間：2.0288875102996826秒

第三步，最后來看看多進(jìn)程

            
@timer("【多進(jìn)程】")
def multi_process(func, type=""):
  process_list = []
  for x in range(10):
    p = Process(target=func, args=())
    process_list.append(p)
    p.start()
  e = process_list.__len__()

  while True:
    for pr in process_list:
      if not pr.is_alive():
        e -= 1
    if e <= 0:
      break

# 多進(jìn)程
multi_process(count, type="CPU計(jì)算密集型")
multi_process(io_disk, type="磁盤IO密集型")
multi_process(io_request, type="網(wǎng)絡(luò)IO密集型")
multi_process(io_simulation, type="模擬IO密集型")
          

看看結(jié)果

【多進(jìn)程】-CPU計(jì)算密集型花費(fèi)時(shí)間：9.082211017608643秒
【多進(jìn)程】-磁盤IO密集型花費(fèi)時(shí)間：1.287339448928833秒
【多進(jìn)程】-網(wǎng)絡(luò)IO密集型花費(fèi)時(shí)間：0.13074755668640137秒
【多進(jìn)程】-模擬IO密集型花費(fèi)時(shí)間：2.0076842308044434秒

. 性能對比成果總結(jié)

將結(jié)果匯總一下，制成表格。

我們來分析下這個(gè)表格。

首先是CPU密集型，多線程以對比單線程，不僅沒有優(yōu)勢，顯然還由于要不斷的加鎖釋放GIL全局鎖，切換線程而耗費(fèi)大量時(shí)間，效率低下，而多進(jìn)程，由于是多個(gè)CPU同時(shí)進(jìn)行計(jì)算工作，相當(dāng)于十個(gè)人做一個(gè)人的作業(yè)，顯然效率是成倍增長的。

然后是IO密集型，IO密集型可以是磁盤IO，網(wǎng)絡(luò)IO，數(shù)據(jù)庫IO等，都屬于同一類，計(jì)算量很小，主要是IO等待時(shí)間的浪費(fèi)。通過觀察，可以發(fā)現(xiàn)，我們磁盤IO，網(wǎng)絡(luò)IO的數(shù)據(jù)，多線程對比單線程也沒體現(xiàn)出很大的優(yōu)勢來。這是由于我們程序的的IO任務(wù)不夠繁重，所以優(yōu)勢不夠明顯。

所以我還加了一個(gè)「模擬IO密集型」，用sleep來模擬IO等待時(shí)間，就是為了體現(xiàn)出多線程的優(yōu)勢，也能讓大家更加直觀的理解多線程的工作過程。單線程需要每個(gè)線程都要sleep(2)，10個(gè)線程就是20s，而多線程，在sleep(2)的時(shí)候，會切換到其他線程，使得10個(gè)線程同時(shí)sleep(2)，最終10個(gè)線程也就只有2s.

可以得出以下幾點(diǎn)結(jié)論

• 單線程總是最慢的，多進(jìn)程總是最快的。
• 多線程適合在IO密集場景下使用，譬如爬蟲，網(wǎng)站開發(fā)等
• 多進(jìn)程適合在對CPU計(jì)算運(yùn)算要求較高的場景下使用，譬如大數(shù)據(jù)分析，機(jī)器學(xué)習(xí)等
• 多進(jìn)程雖然總是最快的，但是不一定是最優(yōu)的選擇，因?yàn)樗枰狢PU資源支持下才能體現(xiàn)優(yōu)勢

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。