Python是運行在解釋器中的語言，查找資料知道，python中有一個全局鎖（GIL），在使用多進程(Thread)的情況下，不能發揮多核的優勢。而使用多進程(Multiprocess)，則可以發揮多核的優勢真正地提高效率。

對比實驗

資料顯示，如果多線程的進程是CPU密集型的，那多線程并不能有多少效率上的提升，相反還可能會因為線程的頻繁切換，導致效率下降，推薦使用多進程；如果是IO密集型，多線程進程可以利用IO阻塞等待時的空閑時間執行其他線程，提升效率。所以我們根據實驗對比不同場景的效率

操作系統 CPU 內存 硬盤

Windows 10	雙核	8GB	機械硬盤

(1)引入所需要的模塊

import requests import time from threading import Thread from multiprocessing import Process



def count(x, y):# 使程序完成50萬計算c = 0while c < 500000:c += 1x += xy += y

(2)定義CPU密集的計算函數

（3）定義IO密集的文件讀寫函數

def write():f = open("test.txt", "w")for x in range(5000000):f.write("testwrite\n")f.close() def read():f = open("test.txt", "r")lines = f.readlines()f.close()


_head = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 Safari/537.36'} url = "http://www.tieba.com" def http_request():try:webPage = requests.get(url, headers=_head)html = webPage.textreturn {"context": html}except Exception as e:return {"error": e}

(4) 定義網絡請求函數

(5)測試線性執行IO密集操作、CPU密集操作所需時間、網絡請求密集型操作所需時間

# CPU密集操作 t = time.time() for x in range(10):count(1, 1) print("Line cpu", time.time() - t) # IO密集操作 t = time.time() for x in range(10):write()read() print("Line IO", time.time() - t) # 網絡請求密集型操作 t = time.time() for x in range(10):http_request() print("Line Http Request", time.time() - t)

(6)測試多線程并發執行CPU密集操作所需時間輸出

• CPU密集：95.6059999466、91.57099986076355 92.52800011634827、 99.96799993515015
• IO密集：24.25、21.76699995994568、21.769999980926514、22.060999870300293
• 網絡請求密集型: 4.519999980926514、8.563999891281128、4.371000051498413、4.522000074386597、14.671000003814697

counts = [] t = time.time() for x in range(10):thread = Thread(target=count, args=(1,1))counts.append(thread)thread.start() e = counts.__len__() while True:for th in counts:if not th.is_alive():e -= 1if e <= 0:break print(time.time() - t)
Output: 99.9240000248 、101.26400017738342、102.32200002670288

(7)測試多線程并發執行IO密集操作所需時間

def io():write()read() t = time.time() ios = [] t = time.time() for x in range(10):thread = Thread(target=count, args=(1,1))ios.append(thread)thread.start() e = ios.__len__() while True:for th in ios:if not th.is_alive():e -= 1if e <= 0:break print(time.time() - t)

Output: 25.69700002670288、24.02400016784668

(8)測試多線程并發執行網絡密集操作所需時間

t = time.time() ios = [] t = time.time() for x in range(10):thread = Thread(target=http_request)ios.append(thread)thread.start() e = ios.__len__() while True:for th in ios:if not th.is_alive():e -= 1if e <= 0:break print("Thread Http Request", time.time() - t)

Output: 0.7419998645782471、0.3839998245239258、0.3900001049041748

(9)測試多進程并發執行CPU密集操作所需時間

counts = [] t = time.time() for x in range(10):process = Process(target=count, args=(1,1))counts.append(process)process.start() e = counts.__len__() while True:for th in counts:if not th.is_alive():e -= 1if e <= 0:break print("Multiprocess cpu", time.time() - t)

Output: 54.342000007629395、53.437999963760376

(10)測試多進程并發執行IO密集型操作

t = time.time() ios = [] t = time.time() for x in range(10):process = Process(target=io)ios.append(process)process.start() e = ios.__len__() while True:for th in ios:if not th.is_alive():e -= 1if e <= 0:break print("Multiprocess IO", time.time() - t)

Output: 12.509000062942505、13.059000015258789

(11)測試多進程并發執行Http請求密集型操作

t = time.time() httprs = [] t = time.time() for x in range(10):process = Process(target=http_request)ios.append(process)process.start()e = httprs.__len__() while True:for th in httprs:if not th.is_alive():e -= 1if e <= 0:break print("Multiprocess Http Request", time.time() - t)

Output: 0.5329999923706055、0.4760000705718994

---

實驗結果

? CPU密集型操作 IO密集型操作 網絡請求密集型操作

線性操作	94.91824996469	22.46199995279	7.3296000004
多線程操作	101.1700000762	24.8605000973	0.5053332647
多進程操作	53.8899999857	12.7840000391	0.5045000315

通過上面的結果，我們可以看到：
>

• 多線程在IO密集型的操作下似乎也沒有很大的優勢（也許IO操作的任務再繁重一些就能體現出優勢），在CPU密集型的操作下明顯地比單線程線性執行性能更差，但是對于網絡請求這種忙等阻塞線程的操作，多線程的優勢便非常顯著了
• 多進程無論是在CPU密集型還是IO密集型以及網絡請求密集型（經常發生線程阻塞的操作）中，都能體現出性能的優勢。不過在類似網絡請求密集型的操作上，與多線程相差無幾，但卻更占用CPU等資源，所以對于這種情況下，我們可以選擇多線程來執行
  

原文鏈接在這里

總結

以上是生活随笔為你收集整理的Python中单线程、多线程与多进程的效率对比实验的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。