python中3个线程并发实现_小叮当Python并发（三）：走近进程与线程之“实战演练”...-CSDN博客

1..多进程和多线程的选择

计算机常见的处理任务有计算密集型和IO密集型。计算密集型需长期占用CPU，在Python中常选择多进程处理；IO密集型则不需长期占用CPU，在Python中常选择多线程处理。

计算密集型

程序系统大部分在做计算、逻辑判断、循环导致cpu占用率很高的情况，称之为计算密集型。例如计算圆周率、对视频进行高清解码等，全靠CPU的运算能力。

IO密集型

频繁地进行网络传输、读取硬盘及调用输入输出设备的情况称之为IO密集型。这类任务的特点是CPU消耗很少，任务的大部分时间都在等待IO操作完成(因为IO的速度远远低于CPU和内存的速度)。对于IO密集型任务，任务越多，CPU效率越高。常见的大部分任务都是IO密集型任务，比如Web应用。

(1)计算密集型---选择多进程

在python中，我们常选择多进程来提高对计算密集型任务的执行效率。

Step1.首先，我们导入时间模块用来记录程序运行时间以作比较。然后我们导入多进程模块，并定义一个计算密集型函数func( )用来进行测试。为保证计算量足够大我们设置最低循环次数为一千万。

注意：这里跟大家分享个很实用的Python中for的用法。

大家可以看到小叮当这里的for循环变量没有用字母，而是用了下划线。这是为什么呢？

这是因为，在Python中当使用下划线做for的循环变量时，“_”只作为临时性的名称使用。这样一来，当其他人阅读你的代码时将会知道，你分配了一个特定的名称，但是并不会在后面再次用到该名称。而程序也知道“_”只用来计数，便不会再为开辟存储单元，从而提高了代码的执行效率。

step2.之后我们设置对照组，定义main1()函数，执行两次func函数。并在执行func函数前记录开始时间，在执行后再次记录结束时间。最后输出两者差值便是计算密集型函数func( )的执行时间。

step3.设置试验组，通过定义main2( )函数多进程来执行计算密集型函数func( )函数，并测试其运行时间。思路和step2一样，这里便不再赘述。

注意：1.使用p.join( )等待进程结束后再记录结束时间。

当执行多进程时，由于代码是顺序执行的，若不加上p.join( )这个方法，上图代码会在开启进程后就记录结束时间，而此时进程刚启动，还并未将func( )执行完毕。也就是说我们不用p.join( )方法等待进程结束，我们便无法获得正确的多进程执行函数时间。

注意：2.p.join( ) 的使用位置，需定义全局变量

p.join( )的位置不能在创建进程的for循环内。若在循环内，程序则是分配进程执行func，由于p.join( )的作用，程序会在这一进程执行完后才执行下一个创建的进程。这样虽然是创建了多进程却也是顺次执行与单进程无异。这样便不能发挥出多进程的效率了。但我们在循环外使用p.join( )，而p是在for循环内部定义的。该怎么办？我们可以在for循环前通过global定义p为全局变量，这样便可在for循环外执行p.join( )方法了。

step4.设置程序入口，执行对照组与试验组，测试多进程执行计算密集型任务。

实验结果：从实验结果中，可以明显看出，使用了多进程的试验组main2( )在同样执行两次func( )函数时，效率更高。

实验结论：Python中执行计算密集型任务时选择多进程，比不使用多进程效率高。

(2)IO密集型---选择多线程

在python中，我们常选择多线程来提高对IO密集型任务的执行效率。由于和多进程实验设计思路一样，这里不再赘述细节。

Step1.引入相应模块，定义IO密集型函数func( )为更好在pycharm解释器中对比实验结果，这里设置为100次。

Step2.定义对照组，直接执行IO密集型函数fun( )不使用多线程。

Step3.定义实验组，使用多线程执行IO密集型函数fun( )。

Step4.设置程序入口执行测试。

实验结果：从实验结果中，可以明显看出，使用了多线程的试验组main2( )在同样执行两次func( )函数时，效率更高。

实验结论：Python中执行IO密集型任务时选择多线程，比不使用多线程效率高。2.多线程多进程实现并发服务器

由于设计思路一样，这里以多线程为例，为大家说明。