Python中单线程、多线程和多进程的效率对比实验

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 = 0while c < 500000:c += 1x += xy += 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\n")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.textreturn {"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 -= 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、多线程和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 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 ...