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!