前言
Python多進程適用的場景：計算密集型（CPU密集型）任務
Python多線程適用的場景：IO密集型任務
計算密集型任務一般指需要做大量的邏輯運算，比如上億次的加減乘除，使用多核CPU可以并發(fā)提高計算性能。
IO密集型任務一般指輸入輸出型，比如文件的讀取，或者網(wǎng)絡的請求，這類場景一般會遇到IO阻塞，使用多核CPU來執(zhí)行并不會有太高的性能提升。
下面使用一臺64核的虛擬機來執(zhí)行任務，通過示例代碼來區(qū)別它們，
示例1：執(zhí)行計算密集型任務，進行1億次運算
使用多進程
from multiprocessing import Process
import os, time
# 計算密集型任務
def work():
res = 0
for i in range(100 * 100 * 100 * 100): # 億次運算
res *= i
if __name__ == "__main__":
l = []
print("本機為", os.cpu_count(), "核 CPU") # 本機為64核
start = time.time()
for i in range(4):
p = Process(target=work) # 多進程
l.append(p)
p.start()
for p in l:
p.join()
stop = time.time()
print("計算密集型任務，多進程耗時 %s" % (stop - start))
使用多線程
from threading import Thread
import os, time
# 計算密集型任務
def work():
res = 0
for i in range(100 * 100 * 100 * 100): # 億次運算
res *= i
if __name__ == "__main__":
l = []
print("本機為", os.cpu_count(), "核 CPU") # 本機為64核
start = time.time()
for i in range(4):
p = Thread(target=work) # 多線程
l.append(p)
p.start()
for p in l:
p.join()
stop = time.time()
print("計算密集型任務，多線程耗時 %s" % (stop - start))
兩段代碼輸出：
本機為 64 核 CPU
計算密集型任務，多進程耗時 6.864224672317505
本機為 64 核 CPU
計算密集型任務，多線程耗時 37.91042113304138
說明：上述代碼中，分別使用4個多進程和4個多線程去執(zhí)行億次運算，多進程耗時6.86s，多線程耗時37.91s，可見在計算密集型任務場景，使用多進程能大大提高效率。
另外，當分別使用8個多進程和8個多線程去執(zhí)行億次運算時，耗時差距更大，輸出如下：
本機為 64 核 CPU
計算密集型任務，多進程耗時 6.811635971069336
本機為 64 核 CPU
計算密集型任務，多線程耗時 113.53767895698547
可見在64核的cpu機器下，同時使用8個多進程和4個多進程效率幾乎一樣。而使用多線程則就效率較慢。要最高效地利用CPU，計算密集型任務同時進行的數(shù)量應當?shù)扔贑PU的核心數(shù)
示例2：400次，阻塞兩秒，讀取文件
使用多進程（4核cpu）
from multiprocessing import Process
import os, time
# I/0密集型任務
def work():
time.sleep(5) # 阻塞兩秒
if __name__ == "__main__":
l = []
print("本機為", os.cpu_count(), "核 CPU")
start = time.time()
for i in range(1000):
p = Process(target=work) # 多進程
l.append(p)
p.start()
for p in l:
p.join()
stop = time.time()
print("I/0密集型任務，多進程耗時 %s" % (stop - start))
使用多線程（4核cpu）
from threading import Thread
import os, time
# I/0密集型任務
def work():
time.sleep(5) # 阻塞兩秒
if __name__ == "__main__":
l = []
print("本機為", os.cpu_count(), "核 CPU")
start = time.time()
for i in range(1000):
p = Thread(target=work) # 多線程
l.append(p)
p.start()
for p in l:
p.join()
stop = time.time()
print("I/0密集型任務，多線程耗時 %s" % (stop - start))
輸出：
本機為 64 核 CPU
I/0密集型任務，多進程耗時 12.28218412399292
本機為 64 核 CPU
I/0密集型任務，多線程耗時 5.399136066436768
說明：python的多線程有于GIL鎖的存在，無論是多少核的cpu機器，也只能使用單核，從輸出結(jié)果來看，對于IO密集型任務使用多線程比較占優(yōu)。
FAQ：執(zhí)行多進程的io密集型任務時，報了一個錯：
OSError: [Errno 24] Too many open files
原因：linux系統(tǒng)限制
解決：（臨時提高系統(tǒng)限制，重啟后失效）
總結(jié)
到此這篇關于Python多進程與多線程使用場景的文章就介紹到這了,更多相關Python多進程與使用場景內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- 分析詳解python多線程與多進程區(qū)別
- 手把手帶你了解python多進程,多線程
- Python多進程共享numpy 數(shù)組的方法
- 總結(jié)python多進程multiprocessing的相關知識
- Python多線程與多進程相關知識總結(jié)
- python實現(xiàn)多進程并發(fā)控制Semaphore與互斥鎖LOCK
- python 多進程和多線程使用詳解
- python 實現(xiàn)多進程日志輪轉(zhuǎn)ConcurrentLogHandler
- python多進程執(zhí)行方法apply_async使用說明
- Python 多進程原理及實現(xiàn)
- python多線程和多進程關系詳解
- Python多進程的使用詳情
