两个实验告诉你,Python的多线程为什么是鸡肋!

线程代码:

import threading
import time

Lock = threading.Lock()
def worker(i):
    Lock.acquire()
    print(threading.current_thread().name,"上锁!")
    time.sleep(5)
    print("获得的数据是:",i)
    Lock.release()
    print(threading.current_thread().name,"解锁!")

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('完毕,用时:%s'%(end-start))

 

进程代码:

import multiprocessing
import time



def worker(data,Semap):
    Semap.acquire()
    print(multiprocessing.current_process().name,"上锁!")
    time.sleep(5)
    print('获得的数据是:',data)
    Semap.release()
    print(multiprocessing.current_process().name,'解锁!')


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('完毕,用时:%s' % (end - start))

 

实验: 两个文件同时进行跑,看看哪个Python文件先跑完!

进程执行效果图:

 

线程执行效果图:

 

 

 

同样是在函数执行的过程中进行了休眠5秒,然而执行之后的结果却是让人大跌眼镜!

由于Python的GIL全局解释器锁的存在,线程的性能被大打则扣.因为这个缘故,每次多线程在运行的时候,如果不希望数据是紊乱的,你就必须得加锁!(上面的线程代码上的Lock()换成RLock()也是一样的.)一加锁就跟没开线程是一样的.

所以,多线程在Python这里就是鸡肋.推荐使用多进程!

 

爬虫的提速上面,多进程也是不错的选择.虽然爬虫的网络IO的,但是在多进程上的效率也不输于多线程.