Python多线程与多进程相关知识总结_Python

一、什么是进程
二、什么是线程
三、并发、并行
- 3.1 并发
- 3.2 并行
四、多线程适用场景
五、Python GIL
六、Python多线程、多进程实例：CPU 密集型任务
- 6.1 单线程
- 6.2 多线程
- 6.3 多进程
七、Python多线程、多进程实例：IO密集型任务
- 7.1 单线程
- 7.2 多线程
- 7.3 多进程
- 7.4 协程
八、总结

一、什么是进程

进程是执行中的程序，是资源分配的最小单位：操作系统以进程为单位分配存储空间，进程拥有独立地址空间、内存、数据栈等
操作系统管理所有进程的执行，分配资源
可以通过fork或 spawn的方式派生新进程，新进程也有自己独立的内存空间
进程间通信方式（IPC，Inter-Process Communication）共享信息，实现数据共享，包括管道、信号、套接字、共享内存区等。

二、什么是线程

线程是CPU调度的的最小单位
一个进程可以有多个线程
同进程下执行，并共享相同的上下文
线程间的信息共享和通信更加容易
多线程并发执行
需要同步原语

三、并发、并行

Python多线程与多进程相关知识总结

并发通常应用于 I/O 操作频繁的场景，并行则更多应用于 CPU heavy 的场景。

3.1 并发

并发(concurrency)，指同一时刻只能有一条指令执行，多个线程的对应的指令被快速轮换地执行，线程/任务之间会互相切换。

处理器先执行线程 A 的指令一段时间，再执行线程 B 的指令一段时间，再切回到线程 A，快速轮换地执行。
处理器切换过程中会进行上下文的切换操作，进行多个线程之间切换和执行，这个切换过程非常快，使得在宏观上看起来多个线程在同时运行。
每个线程的执行会占用这个处理器一个时间片段，同一时刻，其实只有一个线程在执行。

3.2 并行

并行(parallel) 指同一时刻，有多条指令在多个处理器上同时执行

不论是从宏观上还是微观上，多个线程都是在同一时刻一起执行的。
并行只能在多处理器系统中存在，如果只有一个核就不可能实现并行。并发在单处理器和多处理器系统中都是可以存在的，一个核就可以实现并发。

注意：具体是并发还是并行取决于操作系统的调度。

四、多线程适用场景

多线程/多进程是解决并发问题的经典模型之一。

在一个程序进程中，有一些操作是比较耗时或者需要等待的，比如等待数据库的查询结果的返回，等待网页结果的响应。这个线程在等待的过程中，处理器是可以执行其他的操作的，从而从整体上提高执行效率。

比如网络爬虫，在向服务器发起请求之后，有一段时间必须要等待服务器的响应返回，这种任务属于 IO 密集型任务。对于这种任务，启用多线程可以在某个线程等待的过程中去处理其他的任务，从而提高整体的爬取效率。

还有一种任务叫作计算密集型任务，或者称为CPU 密集型任务。任务的运行一直需要处理器的参与。如果使用多线程，一个处理器从一个计算密集型任务切换到另一个计算密集型任务，处理器依然不会停下来，并不会节省总体的时间，如果线程数目过多，进程上下文切换会占用大量的资源，整体效率会变低。

所以，如果任务不全是计算密集型任务，我们可以使用多线程来提高程序整体的执行效率。尤其对于网络爬虫这种 IO 密集型任务来说，使用多线程会大大提高程序整体的爬取效率，多线程只适合IO 密集型任务。

五、Python GIL

由于 Python 中 GIL 的限制，导致不论是在单核还是多核条件下，在同一时刻只能运行一个线程，导致 Python 多线程无法发挥多核并行的优势。

GIL 全称为 Global Interpreter Lock（全局解释器锁)，是 Python 解释器 CPython 中的一个技术术语，是Python之父为了数据安全而设计的。

CPython 使用引用计数来管理内存，所有 Python 脚本中创建的实例，都会有一个引用计数，来记录有多少个指针指向它。当引用计数只有 0 时，则会自动释放内存。每隔一段时间，Python 解释器就会强制当前线程去释放 GIL，Python 3 以后版本的间隔时间是 15 毫秒。

在 Python 多线程下，每个线程轮流执行：

获取 GIL
执行对应线程的代码
释放 GIL

Python多线程与多进程相关知识总结

某个线程想要执行，必须先拿到 GIL，并且在一个 Python 进程中，GIL 只有一个，导致即使在多核的条件下，同一时刻也只能执行一个线程。每一个线程执行完一段后，会释放 GIL，以允许别的线程开始利用资源。

六、Python多线程、多进程实例：CPU 密集型任务

6.1 单线程

执行一个CPU 密集型任务：

				?

									import time

									import os

									def cpu_bound_task(n):

									    print('当前进程: {}'.format(os.getpid()))

									    while n > 0:

									        n -= 1

									if __name__ == "__main__":

									    print('主进程: {}'.format(os.getpid()))

									    start = time.time()

									    for i in range(2):

									        cpu_bound_task(100000000)

									    end = time.time()

									    print(f"耗时{end - start}秒")

输出：

主进程: 10104
当前进程: 10104
当前进程: 10104
耗时10.829032897949219秒

6.2 多线程

				?

									import os

									import threading

									import time

									def cpu_bound_task(n,i):

									    print(f'子线程 {threading.current_thread().name}:{os.getpid()} - 任务{i}')

									    while n > 0:

									        n -= 1

									if __name__=='__main__':

									    start = time.time()

									    print(f'主线程: {os.getpid()}')

									    thread_list = []

									    for i in range(1, 3):

									        t = threading.Thread(target=cpu_bound_task, args=(100000000,i))

									        thread_list.append(t)

									    for t in thread_list:

									        t.start()

									    for t in thread_list:

									        t.join()

									    end = time.time()

									    print(f"耗时{end - start}秒")

start()：启动线程
join()：等待子线程结束后主程序才退出，便于计算所有进程执行时间。

输出：

主线程: 1196
子线程 Thread-1:1196 - 任务1
子线程 Thread-2:1196 - 任务2
耗时10.808091640472412秒

可以发现多线程对CPU 密集型任务性能没有提升效果。

6.3 多进程

				?

									from multiprocessing import Process

									import os

									import time

									def cpu_bound_task(n,i):

									    print(f'子进程: {os.getpid()} - 任务{i}')

									    while n > 0:

									        n -= 1

									if __name__=='__main__':

									    print(f'父进程: {os.getpid()}')

									    start = time.time()

									    p1 = Process(target=cpu_bound_task, args=(100000000,1))

									    p2 = Process(target=cpu_bound_task, args=(100000000,2))

									    p1.start()

									    p2.start()

									    p1.join()

									    p2.join()

									    end = time.time()

									    print(f"耗时{end - start}秒")

输出：

父进程: 22636
子进程: 18072 - 任务1
子进程: 9580 - 任务2
耗时6.264241933822632秒

也可以使用Pool类创建多进程

				?

									from multiprocessing import Pool, cpu_count

									import os

									import time

									def cpu_bound_task(n,i):

									    print(f'子进程: {os.getpid()} - 任务{i}')

									    while n > 0:

									        n -= 1

									if __name__=='__main__':

									    print(f"CPU内核数:{cpu_count()}")

									    print(f'父进程: {os.getpid()}')

									    start = time.time()

									    p = Pool(4)

									    for i in range(2):

									        p.apply_async(cpu_bound_task, args=(100000000,i))

									    p.close()

									    p.join()

									    end = time.time()

									    print(f"耗时{end - start}秒")

输出：

CPU内核数:8
父进程: 18616
子进程: 21452 - 任务0
子进程: 16712 - 任务1
耗时5.928101301193237秒

七、Python多线程、多进程实例：IO密集型任务

7.1 单线程

IO 密集型任务：

				?

									def io_bound_task(self, n, i):

									    print(f'子进程: {os.getpid()} - 任务{i}')

									    print(f'IO Task{i} start')

									    time.sleep(n)

									    print(f'IO Task{i} end')

									if __name__=='__main__':

									    print('主进程: {}'.format(os.getpid()))

									    start = time.time()

									    for i in range(2):

									        self.io_bound_task(4,i)

									    end = time.time()

									    print(f"耗时{end - start}秒")

输出：

主进程: 2780
子进程: 2780 - 任务0
IO Task0 start
IO Task0 end
子进程: 2780 - 任务1
IO Task1 start
IO Task1 end
耗时8.04494023323059秒

7.2 多线程

				?

									print(f"CPU内核数:{cpu_count()}")

									print(f'父进程: {os.getpid()}')

									start = time.time()

									p = Pool(2)

									for i in range(2):

									    p.apply_async(io_bound_task, args=(4, i))

									p.close()

									p.join()

									end = time.time()

									print(f"耗时{end - start}秒")

输出：

CPU内核数:8
父进程: 1396
子进程: 2712 - 任务0
IO Task0 start
子进程: 10492 - 任务1
IO Task1 start
IO Task0 endIO Task1 end
耗时4.201171398162842秒

可以看出对于IO密集型任务，Python多线程具有显著提升。

7.3 多进程

				?

									print(f'父进程: {os.getpid()}')

									start = time.time()

									p1 = Process(target=io_bound_task, args=(4, 1))

									p2 = Process(target=io_bound_task, args=(4, 2))

									p1.start()

									p2.start()

									p1.join()

									p2.join()

									end = time.time()

									print("耗时{}秒".format((end - start)))

输出：

父进程: 12328
子进程: 12452 - 任务2
IO Task2 start
子进程: 16896 - 任务1
IO Task1 start
IO Task1 endIO Task2
end
耗时4.1241302490234375秒

7.4 协程

IO型任务还可以使用协程，协程比线程更加轻量级，一个线程可以拥有多个协程，协程在用户态执行，完全由程序控制。一般来说，线程数量越多，协程性能的优势越明显。这里就不介绍Python协程了，下面Python代码是协程的其中一种实现方式：

				?

									import asyncio

									import time

									async def io_bound_task(self,n,i):

									    print(f'子进程: {os.getpid()} - 任务{i}')

									    print(f'IO Task{i} start')

									    # time.sleep(n)

									    await asyncio.sleep(n)

									    print(f'IO Task{i} end')

									if __name__ == '__main__':        

									    start = time.time()

									    loop = asyncio.get_event_loop()

									    tasks = [io_bound_task(4, i) for i in range(2)]

									    loop.run_until_complete(asyncio.wait(tasks))

									    loop.close()

									    end = time.time()

									    print(f"耗时{end - start}秒")

输出：

子进程: 5436 - 任务1
IO Task1 start
子进程: 5436 - 任务0
IO Task0 start
IO Task1 end
IO Task0 end
耗时4.008626461029053秒

八、总结

Python 由于GIL锁的存在，无法利用多进程的优势，要真正利用多核，可以重写一个不带GIL的解释器，比如JPython（Java 实现的 Python 解释器）。

某些Python 库使用C语言实现，例如 NumPy 库不受 GIL 的影响。在实际工作中，如果对性能要求很高，可以使用C++ 实现，然后再提供 Python 的调用接口。另外Java语言也没有GIL限制。

对于多线程任务，如果线程数量很多，建议使用Python协程，执行效率比多线程高。

到此这篇关于Python多线程与多进程相关知识总结的文章就介绍到这了,更多相关Python多线程与多进程内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！

原文链接：https://blog.csdn.net/u010698107/article/details/117265796

Python多线程与多进程相关知识总结

目录

一、什么是进程

二、什么是线程

三、并发、并行

3.1 并发

3.2 并行

四、多线程适用场景

五、Python GIL

六、Python多线程、多进程实例：CPU 密集型任务

6.1 单线程

6.2 多线程

6.3 多进程

七、Python多线程、多进程实例：IO密集型任务

7.1 单线程

7.2 多线程

7.3 多进程

7.4 协程

八、总结

相关文章

热门资讯