快捷導(dǎo)航

Python中單線程、多線程和多進(jìn)程的效率對比實驗實例

更新時間：2019年05月14日 14:56:28 作者：大囚長

這篇文章主要介紹了Python單線程多線程和多進(jìn)程效率對比，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

python的多進(jìn)程性能要明顯優(yōu)于多線程，因為cpython的GIL對性能做了約束。

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(jìn)程(Thread)的情況下，不能發(fā)揮多核的優(yōu)勢。而使用多進(jìn)程(Multiprocess)，則可以發(fā)揮多核的優(yōu)勢真正地提高效率。

對比實驗

資料顯示，如果多線程的進(jìn)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(dǎo)致效率下降，推薦使用多進(jìn)程；如果是IO密集型，多線程進(jìn)程可以利用IO阻塞等待時的空閑時間執(zhí)行其他線程，提升效率。所以我們根據(jù)實驗對比不同場景的效率

操作系統(tǒng)	CPU	內(nèi)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

(2)定義CPU密集的計算函數(shù)

def count(x, y):
  # 使程序完成150萬計算
  c = 0
  while c < 500000:
    c += 1
    x += x
    y += y

（3）定義IO密集的文件讀寫函數(shù)

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()

(4) 定義網(wǎng)絡(luò)請求函數(shù)

_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.text
    return {"context": html}
  except Exception as e:
    return {"error": e}

(5)測試線性執(zhí)行IO密集操作、CPU密集操作所需時間、網(wǎng)絡(luò)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(wǎng)絡(luò)請求密集型操作
t = time.time()
for x in range(10):
  http_request()
print("Line Http Request", time.time() - t)

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(wǎng)絡(luò)請求密集型: 4.519999980926514、8.563999891281128、4.371000051498413、4.522000074386597、14.671000003814697

(6)測試多線程并發(fā)執(zhí)行CPU密集操作所需時間

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 -= 1
  if e <= 0:
    break
print(time.time() - t)

Output: 99.9240000248 、101.26400017738342、102.32200002670288

(7)測試多線程并發(fā)執(zhí)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 -= 1
  if e <= 0:
    break
print(time.time() - t)

Output: 25.69700002670288、24.02400016784668

(8)測試多線程并發(fā)執(zhí)行網(wǎng)絡(luò)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 -= 1
  if e <= 0:
    break
print("Thread Http Request", time.time() - t)

Output: 0.7419998645782471、0.3839998245239258、0.3900001049041748

(9)測試多進(jìn)程并發(fā)執(zhí)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 -= 1
  if e <= 0:
    break
print("Multiprocess cpu", time.time() - t)

Output: 54.342000007629395、53.437999963760376

(10)測試多進(jìn)程并發(fā)執(zhí)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 -= 1
  if e <= 0:
    break
print("Multiprocess IO", time.time() - t)

Output: 12.509000062942505、13.059000015258789

(11)測試多進(jìn)程并發(fā)執(zhí)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 -= 1
  if e <= 0:
    break
print("Multiprocess Http Request", time.time() - t)

Output: 0.5329999923706055、0.4760000705718994

實驗結(jié)果

CPU密集型操作	IO密集型操作	網(wǎng)絡(luò)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(jìn)程操作	53.8899999857	12.7840000391	0.5045000315

通過上面的結(jié)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(yōu)勢（也許IO操作的任務(wù)再繁重一些就能體現(xiàn)出優(yōu)勢），在CPU密集型的操作下明顯地比單線程線性執(zhí)行性能更差，但是對于網(wǎng)絡(luò)請求這種忙等阻塞線程的操作，多線程的優(yōu)勢便非常顯著了

多進(jìn)程無論是在CPU密集型還是IO密集型以及網(wǎng)絡(luò)請求密集型（經(jīng)常發(fā)生線程阻塞的操作）中，都能體現(xiàn)出性能的優(yōu)勢。不過在類似網(wǎng)絡(luò)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(zhí)行

以上所述是小編給大家介紹的Python單線程多線程和多進(jìn)程效率對比詳解整合，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復(fù)大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持！

您可能感興趣的文章: