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)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

(2)定义CPU密集的计算函数

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

def write():

f = open("test.txt", "w")

for x in range(5000000):

f.write("testwrite ")

f.close()

def read():

f = open("test.txt", "r")

lines = f.readlines()

f.close()

(4) 定义网络请求函数

_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

# 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

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

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

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

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

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

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

以上所述是小编给大家介绍的Python单线程多线程和多进程效率对比详解整合，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对脚本之家网站的支持！

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 ...
python自动化办公实战案例,python 自动化办公案例
推荐几个适合新手练手的Python项目谷歌人工智能写作项目:小发猫 python编程:输入一个自然数n,如果n为奇数,输出表达式1+1/3+-+1/n的值 def summ(n): if n%2: ...
python io包_关于python中的IO流
只要有IO,那么就会发生IOError.所以尽量每次都要使用try...finally#!/usr/bin/env python #-*-coding:utf-8-*- try: f=open(&qu ...
python io多路复用_【python】-- IO多路复用（select、poll、epoll）介绍及实现
IO多路复用(select.poll.epoll)介绍及select.epoll的实现 IO多路复用中包括 select.pool.epoll,这些都属于同步,还不属于异步一.IO多路复用介绍 1. ...
基于python的情感分析案例-python snownlp情感分析简易demo(分享)
SnowNLP是国人开发的python类库,可以方便的处理中文文本内容,是受到了TextBlob的启发而写的,由于现在大部分的自然语言处理库基本都是针对英文的,于是写了一个方便处理中文的类库,并且和T ...
python数据分析5个案例-Python数据分析-案例分析
两个学习道具: 1)这个网页可以调用全球最大的搜索引擎(长按此处可以复制): 事先准备: 在notebook中想要导入Excel文件,要先安装一个读取Excel文件的包:xlrd 安装步骤: 1> ...
Python阶段总结飞机案例—Python Day10
目录 1.搭建界面和键盘检测 2.添加背景音乐 3.运行优化 4.控制玩具飞机-面向过程 5.控制玩具飞机-面向对象 6.玩家飞机发射子弹 7.显示敌机 8.敌机发射子弹 9.抽象基类飞机大战-要实 ...
基于python的情感分析案例-python自然语言处理情感分析案例
产品价值自然语言处理是为各类企业及开发者提供的用于文本分析及挖掘的核心工具,已经广泛应用在电商.文化娱乐.金融.物流等行业客户的多项业务中.自然语言处理API可帮助用户搭建内容搜索.内容推荐.舆情识 ...

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 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相关推荐

最新文章

热门文章