1. 基本概念

在開始講解理論知識之前，先過一下幾個基本概念。雖然咱是進階教程，但我也希望寫得更小白，更通俗易懂。

串行：一個人在同一時間段只能干一件事，譬如吃完飯才能看電視；

并行：一個人在同一時間段可以干多件事，譬如可以邊吃飯邊看電視；

在Python中，多線程 和 協(xié)程 雖然是嚴格上來說是串行，但卻比一般的串行程序執(zhí)行效率高得很。 一般的串行程序，在程序阻塞的時候，只能干等著，不能去做其他事。就好像，電視上播完正劇，進入廣告時間，我們卻不能去趁廣告時間是吃個飯。對于程序來說，這樣做顯然是效率極低的，是不合理的。

雖然 多線程 和 協(xié)程 已經(jīng)相當智能了。但還是不夠高效，最高效的應該是一心多用，邊看電視邊吃飯邊聊天。這就是我們的 多進程 才能做的事了。

2. 單線程VS多線程VS多進程

文字總是蒼白無力的，不如用代碼直接來測試一下。

開始對比之前，首先定義四種類型的場景

- CPU計算密集型

- 磁盤IO密集型

- 網(wǎng)絡IO密集型

- 【模擬】IO密集型

為什么是這幾種場景，這和多線程 多進程的適用場景有關。結論里，我再說明。

# CPU計算密集型
def count(x=1, y=1):
    # 使程序完成150萬計算
    c = 0
    while c < 500000:
        c += 1
        x += x
        y += y


# 磁盤讀寫IO密集型
def io_disk():
    with open("file.txt", "w") as f:
        for x in range(5000000):
            f.write("python-learning\n")


# 網(wǎng)絡IO密集型
header = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36'}
url = "https://www.tieba.com/"

def io_request():
    try:
        webPage = requests.get(url, headers=header)
        html = webPage.text
        return
    except Exception as e:
        return {"error": e}


# 【模擬】IO密集型
def io_simulation():
    time.sleep(2)

比拼的指標，我們用時間來考量。時間耗費得越少，說明效率越高。

為了方便，使得代碼看起來，更加簡潔，我這里先定義是一個簡單的 時間計時器 的裝飾器。 如果你對裝飾器還不是很了解，也沒關系，你只要知道它是用于 計算函數(shù)運行時間的東西就可以了。

def timer(mode):
    def wrapper(func):
        def deco(*args, **kw):
            type = kw.setdefault('type', None)
            t1=time.time()
            func(*args, **kw)
            t2=time.time()
            cost_time = t2-t1
            print("{}-{}花費時間：{}秒".format(mode, type,cost_time))
        return deco
    return wrapper

第一步，先來看看單線程的
@timer("【單線程】")
def single_thread(func, type=""):
    for i in range(10):
              func()

# 單線程
single_thread(count, type="CPU計算密集型")
single_thread(io_disk, type="磁盤IO密集型")
single_thread(io_request,type="網(wǎng)絡IO密集型")
single_thread(io_simulation,type="模擬IO密集型")

看看結果

【單線程】-CPU計算密集型花費時間：83.42633867263794秒
【單線程】-磁盤IO密集型花費時間：15.641993284225464秒
【單線程】-網(wǎng)絡IO密集型花費時間：1.1397218704223633秒
【單線程】-模擬IO密集型花費時間：20.020972728729248秒

第二步，再來看看多線程的

@timer("【多線程】")
def multi_thread(func, type=""):
    thread_list = []
    for i in range(10):
        t=Thread(target=func, args=())
        thread_list.append(t)
        t.start()
    e = len(thread_list)

    while True:
        for th in thread_list:
            if not th.is_alive():
                e -= 1
        if e <= 0:
            break

# 多線程
multi_thread(count, type="CPU計算密集型")
multi_thread(io_disk, type="磁盤IO密集型")
multi_thread(io_request, type="網(wǎng)絡IO密集型")
multi_thread(io_simulation, type="模擬IO密集型")

看看結果

【多線程】-CPU計算密集型花費時間：93.82986998558044秒
【多線程】-磁盤IO密集型花費時間：13.270896911621094秒
【多線程】-網(wǎng)絡IO密集型花費時間：0.1828296184539795秒
【多線程】-模擬IO密集型花費時間：2.0288875102996826秒

第三步，最后來看看多進程

@timer("【多進程】")
def multi_process(func, type=""):
    process_list = []
    for x in range(10):
        p = Process(target=func, args=())
        process_list.append(p)
        p.start()
    e = process_list.__len__()

    while True:
        for pr in process_list:
            if not pr.is_alive():
                e -= 1
        if e <= 0:
            break

# 多進程
multi_process(count, type="CPU計算密集型")
multi_process(io_disk, type="磁盤IO密集型")
multi_process(io_request, type="網(wǎng)絡IO密集型")
multi_process(io_simulation, type="模擬IO密集型")

看看結果

【多進程】-CPU計算密集型花費時間：9.082211017608643秒
【多進程】-磁盤IO密集型花費時間：1.287339448928833秒
【多進程】-網(wǎng)絡IO密集型花費時間：0.13074755668640137秒
【多進程】-模擬IO密集型花費時間：2.0076842308044434秒

3. 性能對比成果總結

將結果匯總一下，制成表格。

我們來分析下這個表格。

首先是CPU密集型，多線程以對比單線程，不僅沒有優(yōu)勢，顯然還由于要不斷的加鎖釋放GIL全局鎖，切換線程而耗費大量時間，效率低下，而多進程，由于是多個CPU同時進行計算工作，相當于十個人做一個人的作業(yè)，顯然效率是成倍增長的。

然后是IO密集型，IO密集型可以是磁盤IO，網(wǎng)絡IO，數(shù)據(jù)庫IO等，都屬于同一類，計算量很小，主要是IO等待時間的浪費。通過觀察，可以發(fā)現(xiàn)，我們磁盤IO，網(wǎng)絡IO的數(shù)據(jù)，多線程對比單線程也沒體現(xiàn)出很大的優(yōu)勢來。這是由于我們程序的的IO任務不夠繁重，所以優(yōu)勢不夠明顯。

所以我還加了一個「模擬IO密集型」，用sleep來模擬IO等待時間，就是為了體現(xiàn)出多線程的優(yōu)勢，也能讓大家更加直觀的理解多線程的工作過程。單線程需要每個線程都要sleep(2)，10個線程就是20s，而多線程，在sleep(2)的時候，會切換到其他線程，使得10個線程同時sleep(2)，最終10個線程也就只有2s.

可以得出以下幾點結論

單線程總是最慢的，多進程總是最快的。

多線程適合在IO密集場景下使用，譬如爬蟲，網(wǎng)站開發(fā)等

多進程適合在對CPU計算運算要求較高的場景下使用，譬如大數(shù)據(jù)分析，機器學習等

多進程雖然總是最快的，但是不一定是最優(yōu)的選擇，因為它需要CPU資源支持下才能體現(xiàn)優(yōu)勢

審核編輯：符乾江