Python中单线程、多线程和多进程的效率对比实验

原文出处： 饒木陽   

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），在使用多线程(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
Windows 10	双核	8GB	机械硬盘

(1)引入所需要的模块

 

1 2 3 4

import requests import time from threading import Thread from multiprocessing import Process

 

(2)定义CPU密集的计算函数

 

Python

1 2 3 4 5 6 7

def count(x, y):     # 使程序完成150万计算     c = 0     while c < 500000:         c += 1         x += x         y += y

 

（3）定义IO密集的文件读写函数

 

1 2 3 4 5 6 7 8 9 10

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) 定义网络请求函数

 

1 2 3 4 5 6 7 8 9 10

_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)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

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

# 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)   # 网络请求密集型操作 t = time.time() for x in range(10):     http_request() print("Line Http Request", time.time() - t)

 

输出

• CPU密集：95.6059999466、91.57099986076355 92.52800011634827、 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

 

Python

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

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)测试多线程并发执行IO密集操作所需时间

 

Python

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

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)测试多线程并发执行网络密集操作所需时间

 

Python

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

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)测试多进程并发执行CPU密集操作所需时间

 

Python

1 2 3 4 5 6 7 8 9 10 11 12 13 14

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)测试多进程并发执行IO密集型操作

 

Python

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

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)测试多进程并发执行Http请求密集型操作

 

Python

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

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

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