兩個實驗告訴你,Python的多線程爲什麼是雞肋!

線程代碼:

import threading
import time

Lock = threading.Lock()
def worker(i):
    Lock.acquire()
    print(threading.current_thread().name,"上鎖!")
    time.sleep(5)
    print("獲得的數據是:",i)
    Lock.release()
    print(threading.current_thread().name,"解鎖!")

if __name__ == '__main__':
    start = time.time()
    Thread_List = []
    for i in range(10):
        t = threading.Thread(target=worker,args=(i,))
        Thread_List.append(t)
    for t in Thread_List:
        t.start()
    for t in Thread_List:
        t.join()
    end = time.time()
    print('完畢,用時:%s'%(end-start))

 

進程代碼:

import multiprocessing
import time



def worker(data,Semap):
    Semap.acquire()
    print(multiprocessing.current_process().name,"上鎖!")
    time.sleep(5)
    print('獲得的數據是:',data)
    Semap.release()
    print(multiprocessing.current_process().name,'解鎖!')


if __name__ == '__main__':
    start = time.time()
    Process_List = []
    Semap = multiprocessing.Semaphore(5)
    for i in range(10):
        t = multiprocessing.Process(target=worker, args=(i,Semap))
        Process_List.append(t)
    for t in Process_List:
        t.start()
    for t in Process_List:
        t.join()
    end = time.time()
    print('完畢,用時:%s' % (end - start))

 

實驗: 兩個文件同時進行跑,看看哪個Python文件先跑完!

進程執行效果圖:

 

線程執行效果圖:

 

 

 

同樣是在函數執行的過程中進行了休眠5秒,然而執行之後的結果卻是讓人大跌眼鏡!

由於Python的GIL全局解釋器鎖的存在,線程的性能被大打則扣.因爲這個緣故,每次多線程在運行的時候,如果不希望數據是紊亂的,你就必須得加鎖!(上面的線程代碼上的Lock()換成RLock()也是一樣的.)一加鎖就跟沒開線程是一樣的.

所以,多線程在Python這裏就是雞肋.推薦使用多進程!

 

爬蟲的提速上面,多進程也是不錯的選擇.雖然爬蟲的網絡IO的,但是在多進程上的效率也不輸於多線程.