Python中單線程、多線程和多進程的效率對比實驗實例

這篇文章主要介紹了Python單線程多線程和多進程效率對比，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨着小編來一起學習學習吧

python的多進程性能要明顯優於多線程，因爲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），在使用多進程(Thread)的情況下，不能發揮多核的優勢。而使用多進程(Multiprocess)，則可以發揮多核的優勢真正地提高效率。

對比實驗

資料顯示，如果多線程的進程是CPU密集型的，那多線程並不能有多少效率上的提升，相反還可能會因爲線程的頻繁切換，導致效率下降，推薦使用多進程；如果是IO密集型，多線程進程可以利用IO阻塞等待時的空閒時間執行其他線程，提升效率。所以我們根據實驗對比不同場景的效率

操作系統	CPU	內存	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

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

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) 定義網絡請求函數

_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)測試線性執行IO密集操作、CPU密集操作所需時間、網絡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)
 
# 網絡請求密集型操作
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
網絡請求密集型: 4.519999980926514、8.563999891281128、4.371000051498413、4.522000074386597、14.671000003814697

 (6)測試多線程併發執行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)測試多線程併發執行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)測試多線程併發執行網絡密集操作所需時間

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)測試多進程併發執行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)測試多進程併發執行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)測試多進程併發執行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

 實驗結果

CPU密集型操作	IO密集型操作	網絡請求密集型操作
線性操作	94.91824996469	22.46199995279	7.3296000004
多線程操作	101.1700000762	24.8605000973	0.5053332647
多進程操作	53.8899999857	12.7840000391	0.5045000315

通過上面的結果，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勢（也許IO操作的任務再繁重一些就能體現出優勢），在CPU密集型的操作下明顯地比單線程線性執行性能更差，但是對於網絡請求這種忙等阻塞線程的操作，多線程的優勢便非常顯著了

多進程無論是在CPU密集型還是IO密集型以及網絡請求密集型（經常發生線程阻塞的操作）中，都能體現出性能的優勢。不過在類似網絡請求密集型的操作上，與多線程相差無幾，但卻更佔用CPU等資源，所以對於這種情況下，我們可以選擇多線程來執行

以上所述是小編給大家介紹的Python單線程多線程和多進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，小編會及時回覆大家的。在此也非常感謝大家對神馬文庫網站的支持！