Python中单线程、多线程与多进程的效率对比实验
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),在使用多进程(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
import requests
import time
from threading import Thread
from multiprocessing import Process
def count(x, y):# 使程序完成50万计算c = 0while c < 500000:c += 1x += xy += y
(2)定义CPU密集的计算函数
(3)定义IO密集的文件读写函数
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()
_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.textreturn {"context": html}except Exception as e:return {"error": e}
(4) 定义网络请求函数
(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
# 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)
(6)测试多线程并发执行CPU密集操作所需时间输出
- 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
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 -= 1if 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
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 -= 1if 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
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 -= 1if 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
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 -= 1if 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
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 -= 1if 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
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 -= 1if 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
Python中单线程、多线程与多进程的效率对比实验相关推荐
- python和c运行速度的对比实验_Python中单线程、多线程和多进程的效率对比实验...
原标题:Python中单线程.多线程和多进程的效率对比实验 文 | 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),在使用多进程(Thread)的情况下 ...
- python io密集型应用案例-Python中单线程、多线程和多进程的效率对比实验实例
python的多进程性能要明显优于多线程,因为cpython的GIL对性能做了约束. 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),在使用多进程(Thread ...
- Python单线程、多线程、多进程运行效率评测对比
近日用python做图像处理,涉及到推拉流使用了python的多进程机制,结果导致程序运行效率大大下降,后来在反复试验中又发现子进程的速度比主进程快很多,特地做此测评.先上结论 评测结果 程序运行速度 ...
- 在python中单线程,多线程,多进程对CPU的利用率实测以及GIL原理分析
首先关于在python中单线程,多线程,多进程对cpu的利用率实测如下: 单线程,多线程,多进程测试代码使用死循环. 1)单线程: 2)多线程: 3)多进程: 查看cpu使用效率: 开始观察分别执行时 ...
- js打印线程id_浅谈python中的多线程和多进程(二)
原创:hxj7 本文继续分享一个关于python多线程和多进程区别的例子 前文<浅谈python中的多线程和多进程>中我们分享过一个例子,就是分别利用python中的多线程和多进程来解决高 ...
- python爬虫之多线程、多进程+代码示例
python爬虫之多线程.多进程 使用多进程.多线程编写爬虫的代码能有效的提高爬虫爬取目标网站的效率. 很多人学习python,不知道从何学起. 很多人学习python,掌握了基本语法过后,不知道在哪 ...
- 获得进程id_浅谈python中的多线程和多进程(二)
原创:hxj7 本文继续分享一个关于python多线程和多进程区别的例子 前文<浅谈python中的多线程和多进程>中我们分享过一个例子,就是分别利用python中的多线程和多进程来解决高 ...
- python threading-单线程 多线程 主线程 子线程 setDeamon join
python threading-单线程 多线程 主线程 子线程 setDeamon join 单线程 多线程 主线程和子线程 setDaemon() join() 测试多线程下程序运行的时间 创建多 ...
- python中的多线程、多进程
简介 使用Python可以快速地编写程序,但是python对多线程的支持却不好,在Python2中,更多地使用多进程.在Python3中,引入了concurrent,便于多线程/进程开发. Pytho ...
最新文章
- R语言可视化堆叠(stack)的条形图并通过另外一个分类变量分离(dodge)条形图(stacking by one variable and dodging by another)实战
- python是不是特别垃圾-Python是垃圾?(转)
- 在线白板,基于socket.io的多人在线协作工具
- Py之pandas:利用isin函数对dataframe格式数据按照多个字段的条件筛选
- 爱情麻辣烫防骗子—骗子谎称学生出事让家长汇款
- ubuntu开启SSH服务和允许root远程SSH登录
- 在SAP CRM WebClient UI中用javascript触发ABAP event
- 嘘,这是手淘双11 GMV 暴涨的秘密
- Elasticsearch 5.x segments merge 流程分析
- ORACLE SQL功能优化系列(一)
- 深入解读Docker底层技术cgroup系列(2)——cgroup的初始化
- matlab ctrl c,Matlab:实现CTRL + C的功能,但在代码中
- AI会取代CPDA数据分析师吗?
- vs 输入代码时出现火花_VSV和VBV随发动机转速和进气温度怎么变化维修执照机务在线...
- 唱响艾泽拉斯_情感篇
- java redis哨兵配置_redis哨兵配置主从
- 「SQL面试题库」 No_55 销售分析 I
- 通过ip地址查询远程服务器系统,通过ip地址查询远程服务器系统
- Linux应用开发5 信号(软中断,处理异步请求,进程间通讯)
- 云原生个人线路 Docker容器化
热门文章
- BZOJ-2748: [HAOI2012]音量调节 (傻逼背包DP)
- java面试笔试大汇总(一)
- PHP Fatal error: Allowed memory size of 134217728 bytes exhausted (tried to allocate 8192 bytes)
- 数据库里账号的密码,这样存放最安全!
- 图解高内聚与低耦合,傻瓜都能看懂!
- 来自十年互联网人的大厂等级晋升攻略
- java8常用stream
- 2019 年 React 学习路线图
- 面试必备:缓存穿透,缓存雪崩的四种解决方案
- Consul 入门指南