Python中单线程、多线程和多进程的效率对比实验实例
python的多进程性能要明显优于多线程，因为cpython的GIL对性能做了约束。
Python是运行在解释器中的语言，查找资料知道，python中有一个全局锁（GIL），在使用多进程(Thread)的情况下，不能发挥多核的优势。而使用多进程(Multiprocess)，则可以发挥多核的优势真正地提高效率。
对比实验
资料显示，如果多线程的进程是CPU密集型的，那多线程并不能有多少效率上的提升，相反还可能会因为线程的频繁切换，导致效率下降，推荐使用多进程；如果是IO密集型，多线程进程可以利用IO阻塞等待时的空闲时间执行其他线程，提升效率。所以我们根据实验对比不同场景的效率
| 操作系统 | CPU | 内存 | 硬盘 |
|---|---|---|---|
| Windows10 | 双核 | 8GB | 机械硬盘 |
(1)引入所需要的模块
importrequests importtime fromthreadingimportThread frommultiprocessingimportProcess
(2)定义CPU密集的计算函数
defcount(x,y): #使程序完成150万计算 c=0 whilec<500000: c+=1 x+=x y+=y
（3）定义IO密集的文件读写函数
defwrite():
f=open("test.txt","w")
forxinrange(5000000):
f.write("testwrite\n")
f.close()
defread():
f=open("test.txt","r")
lines=f.readlines()
f.close()
(4)定义网络请求函数
_head={
'User-Agent':'Mozilla/5.0(WindowsNT10.0;WOW64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/48.0.2564.116Safari/537.36'}
url="http://www.tieba.com"
defhttp_request():
try:
webPage=requests.get(url,headers=_head)
html=webPage.text
return{"context":html}
exceptExceptionase:
return{"error":e}
(5)测试线性执行IO密集操作、CPU密集操作所需时间、网络请求密集型操作所需时间
#CPU密集操作
t=time.time()
forxinrange(10):
count(1,1)
print("Linecpu",time.time()-t)
#IO密集操作
t=time.time()
forxinrange(10):
write()
read()
print("LineIO",time.time()-t)
#网络请求密集型操作
t=time.time()
forxinrange(10):
http_request()
print("LineHttpRequest",time.time()-t)
输出
CPU密集：95.6059999466、91.5709998607635592.52800011634827、99.96799993515015
IO密集：24.25、21.76699995994568、21.769999980926514、22.060999870300293
网络请求密集型:4.519999980926514、8.563999891281128、4.371000051498413、4.522000074386597、14.671000003814697
(6)测试多线程并发执行CPU密集操作所需时间
counts=[] t=time.time() forxinrange(10): thread=Thread(target=count,args=(1,1)) counts.append(thread) thread.start() e=counts.__len__() whileTrue: forthincounts: ifnotth.is_alive(): e-=1 ife<=0: break print(time.time()-t)
Output:99.9240000248、101.26400017738342、102.32200002670288
(7)测试多线程并发执行IO密集操作所需时间
defio(): write() read() t=time.time() ios=[] t=time.time() forxinrange(10): thread=Thread(target=count,args=(1,1)) ios.append(thread) thread.start() e=ios.__len__() whileTrue: forthinios: ifnotth.is_alive(): e-=1 ife<=0: break print(time.time()-t)
Output:25.69700002670288、24.02400016784668
(8)测试多线程并发执行网络密集操作所需时间
t=time.time()
ios=[]
t=time.time()
forxinrange(10):
thread=Thread(target=http_request)
ios.append(thread)
thread.start()
e=ios.__len__()
whileTrue:
forthinios:
ifnotth.is_alive():
e-=1
ife<=0:
break
print("ThreadHttpRequest",time.time()-t)
Output:0.7419998645782471、0.3839998245239258、0.3900001049041748
(9)测试多进程并发执行CPU密集操作所需时间
counts=[]
t=time.time()
forxinrange(10):
process=Process(target=count,args=(1,1))
counts.append(process)
process.start()
e=counts.__len__()
whileTrue:
forthincounts:
ifnotth.is_alive():
e-=1
ife<=0:
break
print("Multiprocesscpu",time.time()-t)
Output:54.342000007629395、53.437999963760376
(10)测试多进程并发执行IO密集型操作
t=time.time()
ios=[]
t=time.time()
forxinrange(10):
process=Process(target=io)
ios.append(process)
process.start()
e=ios.__len__()
whileTrue:
forthinios:
ifnotth.is_alive():
e-=1
ife<=0:
break
print("MultiprocessIO",time.time()-t)
Output:12.509000062942505、13.059000015258789
(11)测试多进程并发执行Http请求密集型操作
t=time.time()
httprs=[]
t=time.time()
forxinrange(10):
process=Process(target=http_request)
ios.append(process)
process.start()
e=httprs.__len__()
whileTrue:
forthinhttprs:
ifnotth.is_alive():
e-=1
ife<=0:
break
print("MultiprocessHttpRequest",time.time()-t)
Output:0.5329999923706055、0.4760000705718994
实验结果
| CPU密集型操作 | IO密集型操作 | 网络请求密集型操作 | |
|---|---|---|---|
| 线性操作 | 94.91824996469 | 22.46199995279 | 7.3296000004 |
| 多线程操作 | 101.1700000762 | 24.8605000973 | 0.5053332647 |
| 多进程操作 | 53.8899999857 | 12.7840000391 | 0.5045000315 |
通过上面的结果，我们可以看到：
多线程在IO密集型的操作下似乎也没有很大的优势（也许IO操作的任务再繁重一些就能体现出优势），在CPU密集型的操作下明显地比单线程线性执行性能更差，但是对于网络请求这种忙等阻塞线程的操作，多线程的优势便非常显著了
多进程无论是在CPU密集型还是IO密集型以及网络请求密集型（经常发生线程阻塞的操作）中，都能体现出性能的优势。不过在类似网络请求密集型的操作上，与多线程相差无几，但却更占用CPU等资源，所以对于这种情况下，我们可以选择多线程来执行
以上所述是小编给大家介绍的Python单线程多线程和多进程效率对比详解整合，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对毛票票网站的支持！