Python 中多线程与多处理之间的区别-编程知识

一、说明

在本文中，我们将学习 Python 中多线程和多处理的内容、原因和方式。在我们深入研究代码之前，让我们了解这些术语的含义。

二、基本术语和概念

程序是一个可执行文件，它由一组执行某些任务的指令组成，通常存储在计算机的磁盘上。
进程就是我们所说的程序，它已与运行所需的所有资源一起加载到内存中。它有自己的内存空间。
线程是进程中的执行单元。一个进程可以有多个线程作为其一部分运行，其中每个线程使用进程的内存空间并与其他线程共享。
多线程是一种技术，其中进程生成多个线程以执行不同的任务，大约在同一时间，一个接一个。这给你一种错觉，即线程是并行运行的，但实际上它们是以并发方式运行的。在 Python 中，全局解释器锁（GIL）阻止线程同时运行。
多处理是一种实现最真实形式的并行性的技术。多个进程跨多个 CPU 内核运行，这些内核之间不共享资源。每个进程可以在自己的内存空间中运行许多线程。在 Python 中，每个进程都有自己的 Python 解释器实例，负责执行指令。
现在，让我们进入程序，我们尝试以六种不同的方式执行两种不同类型的函数：IO 绑定和 CPU 绑定。在 IO 绑定函数中，我们要求 CPU 闲置并打发时间，而在 CPU 绑定函数中，CPU 将忙于产生一些数字。

要求：

一台 Windows 计算机（我的机器有 6 个内核）。
已安装 Python 3.x。
任何用于编写 Python 程序的文本编辑器/IDE（我在这里使用 Sublime Text）。

注意：以下是我们程序的结构，它将在所有六个部分中通用。在提到它的地方 # YOUR CODE SNIPPET HERE，将其替换为每个部分的代码片段。

import time, os
from threading import Thread, current_thread
from multiprocessing import Process, current_processCOUNT = 200000000
SLEEP = 10def io_bound(sec):pid = os.getpid()threadName = current_thread().nameprocessName = current_process().nameprint(f"{pid} * {processName} * {threadName} \---> Start sleeping...")time.sleep(sec)print(f"{pid} * {processName} * {threadName} \---> Finished sleeping...")def cpu_bound(n):pid = os.getpid()threadName = current_thread().nameprocessName = current_process().nameprint(f"{pid} * {processName} * {threadName} \---> Start counting...")while n>0:n -= 1print(f"{pid} * {processName} * {threadName} \---> Finished counting...")if __name__=="__main__":start = time.time()# YOUR CODE SNIPPET HEREend = time.time()print('Time taken in seconds -', end - start)

三、进程对CPU绑定

第 1 部分：一个接一个地运行 IO 绑定任务两次…

# Code snippet for Part 1
io_bound(SLEEP)
io_bound(SLEEP)

在这里，我们要求 CPU 执行函数 io_bound（），该函数将整数（此处为 10）作为参数，并要求 CPU 休眠几秒钟。此执行总共需要 20 秒，因为每个函数执行需要 10 秒才能完成。请注意，它是同一个 MainProcess 使用其默认线程 MainThread 一个接一个地调用我们的函数两次。
在这里插入图片描述

第 2 部分：使用线程运行受 IO 绑定的任务…

# Code snippet for Part 2
t1 = Thread(target = io_bound, args =(SLEEP, ))
t2 = Thread(target = io_bound, args =(SLEEP, ))
t1.start()
t2.start()
t1.join()
t2.join()

在这里，让我们使用 Python 中的线程来加快函数的执行速度。线程 Thread-1 和 Thread-2 由我们的 MainProcess 启动，每个线程几乎同时调用我们的函数。两个线程同时完成休眠 10 秒的工作。这大大缩短了整个程序的总执行时间，减少了 50%。因此，多线程是执行任务的首选解决方案，其中 CPU 的空闲时间可用于执行其他任务。因此，通过利用等待时间来节省时间。
在这里插入图片描述

第 3 部分：一个接一个地运行两次 CPU 密集型任务…

# Code snippet for Part 3
cpu_bound(COUNT)
cpu_bound(COUNT)

在这里，我们将调用我们的函数 cpu_bound（），它将一个大数字（此处为 200000000）作为参数，并在每一步将其递减，直到它为零。我们的 CPU 被要求在每次函数调用时进行倒计时，这大约需要 12 秒（这个数字可能因您的计算机而异）。因此，整个程序的执行花了我大约 26 秒才能完成。请注意，MainProcess 再次在其默认线程 MainThread 中一个接一个地调用该函数两次。

在这里插入图片描述

第 4 部分：线程可以加快我们受 CPU 限制的任务吗？

# Code snippet for Part 4
t1 = Thread(target = cpu_bound, args =(COUNT, ))
t2 = Thread(target = cpu_bound, args =(COUNT, ))
t1.start()
t2.start()
t1.join()
t2.join()

好的，我们刚刚证明了线程对于多个 IO 绑定任务的效果非常好。让我们使用相同的方法来执行 CPU 密集型任务。好吧，它最初确实同时启动了我们的线程，但最终，我们看到整个程序执行花费了大约 40 秒！刚刚发生了什么？这是因为当 Thread-1 启动时，它获得了全局解释器锁（GIL），从而阻止 Thread-2 使用 CPU。因此，Thread-2 必须等待 Thread-1 完成其任务并释放锁，以便它可以获取锁并执行其任务。这种锁的获取和释放增加了总执行时间的开销。因此，我们可以肯定地说，对于需要 CPU 处理某事的任务来说，线程并不是一个理想的解决方案。
在这里插入图片描述

第 5 部分：那么，将任务拆分为单独的流程是否有效？

# Code snippet for Part 5
p1 = Process(target = cpu_bound, args =(COUNT, ))
p2 = Process(target = cpu_bound, args =(COUNT, ))
p1.start()
p2.start()
p1.join()
p2.join()

让我们切入正题。多处理就是答案。在这里，MainProcess 启动了两个子进程，它们具有不同的 PID，每个子进程都负责将数字减少到零。每个进程并行运行，使用单独的 CPU 内核和它自己的 Python 解释器实例，因此整个程序执行只需 12 秒。请注意，输出可能以无序方式打印，因为进程彼此独立。每个进程都在其自己的默认线程 MainThread 中执行函数。在程序执行期间打开任务管理器。您可以看到 Python 解释器的 3 个实例，MainProcess、Process-1 和 Process-2 各一个。您还可以看到，在程序执行期间，两个子进程的功耗为“非常高”，因为它们正在执行的任务实际上正在对它们自己的 CPU 内核造成影响，如 CPU 性能图中的峰值所示。

在这里插入图片描述

第 6 部分：我们对 IO 绑定任务使用多处理…

# Code snippet for Part 6
p1 = Process(target = io_bound, args =(SLEEP, ))
p2 = Process(target = io_bound, args =(SLEEP, ))
p1.start()
p2.start()
p1.join()
p2.join()

现在我们已经对多处理帮助我们实现并行性有了大致的了解，我们将尝试使用这种技术来运行我们的 IO 绑定任务。我们确实观察到结果是非凡的，就像在多线程的情况下一样。由于进程 1 和进程 2 正在执行要求自己的 CPU 内核闲置几秒钟的任务，因此我们没有发现高功耗。但是，进程的创建本身就是一项 CPU 繁重的任务，并且比创建线程需要更多的时间。此外，进程需要的资源比线程多。因此，最好将多处理作为 IO 绑定任务的第二个选项，多线程是第一个选项。
在这里插入图片描述
嗯，那是一段相当长的旅程。我们看到了执行一项任务的六种不同方法，大约需要 10 秒，具体取决于任务对 CPU 的影响是轻还是重。

四、结论

底线：IO 绑定任务的多线程处理。CPU密集型任务的多处理。

Python 中的多线程	Python 中的多处理
它实现了并发性。	它实现了并行性。
在并行计算的情况下，Python 不支持多线程。	Python 在并行计算的情况下支持多处理。
在多线程中，单个进程同时生成多个线程。	在多处理中，多个线程同时跨多个内核运行。
无法对多线程进行分类。	多处理可以分为对称或非对称。

。