前言 Python程序代码都是按自上而下的顺序加载并执行的，但实际需要代码处理的任务并不都是需要按部就班的顺序执行，通常为提高代码执行的效率，需要多个代码执行任务同时执行，也就是多任务编程的需求。 基本的计算机模型是由CPU、RAM及各种资源(键盘、硬盘、显卡、网卡等)组成，代码的执行过程，实际就是CPU和相关寄存器及RAM之间的相关处理的过程。在单核CPU场景下，一段代码交由CPU执行前，都会处于就绪队列中，CPU执行时很快就会返回该段代码的结果，所以不同进程的代码是轮流由CPU执行的，由于CPU执行速度很快，在表现上仍会被感觉是同时执行的。不同就绪队列间的读入与结果保存被称之为上下文切换，由于进程间切换会产生一定的时间等待及资源的消耗，所以为了减少等待时间和资源的消耗，就引入了线程的设计。线程是当进程的队列被授权占用CPU时，该进程的所有线程队列在共享该进程资源的环境下按优先级由CPU执行。无论是进程还是线程，其队列及资源切换都是由操作系统进行控制的，同时线程的切换也是非常消耗性能的，为了使各线程的调度更节约资源，就出现了协程的设计。协程是在进程或线程环境下执行的，其拥有自己的寄存器上下文和栈，调度是完全由用户控制的，相当于函数方法的调度。对于多任务编程，若要实现代码的多任务高效率执行，我们要明晰如下这几个概念的特点及其区别，才能根据实际需求，选用最佳的多任务编程方法。
并行 指在同一时刻有多个进程的指令在多个处理器上同时执行。 并发 是指在同一时刻只能有一个进程的指令执行，但多个进程指令被快速轮换执行，使得在宏观上具有多个进程同时执行的效果。 进程 进程是程序的运行态，进程间数据共享需要借助外部存储空间。 线程 线程是进程的组成部分,一个进程可以包含一个或多个线程，同一进程内线程间数据共享属于内部共享。 协程 协程是一种用户态的轻量级线程，一个进程可以包含一个或多个协程，也可以在一个线程包含一个或多个协程。协程的调度完全由用户控制，同一进程内协程间数据共享属于内部共享。 多线程处理 由于Python是动态编译的语言，与C/C++、Java等静态语言不同，它是在运行时一句一句代码地边编译边执行的。用C语言实现的Python解释器，通常称为CPython，也是Python环境默认的编译器。在Cpython解释器中，为防止多个线程同时执行同一 Python 的代码段，确保线程数据安全，引入了全局解释器锁(GIL, Global Interpreter Lock)的处理机制, 该机制相当于一个互斥锁，所以即便一个进程下开启了多线程，但同一时刻只能有一个线程被执行。所以Python 的多线程是伪线程，性能并不高，也无法利用CPU多核的优势。
另，GIL并不是Python的特性，他是在实现Python解释器（Cpython）时所引入的一个概念，GIL保护的是解释器级的数据，保护用户自己的数据仍需要自己加锁处理。在默认情况下，由于GIL的存在，为了使多线程(threading)执行效率更高，需要使用join方法对无序的线程进行阻塞，如下代码可以看到区别。
1from multiprocessing import Process 2import threading 3import os,time 4 5l=[] 6stop=time.time() 7def work(): 8 global stop 9 time.sleep(2) 10 print('===>',threading.current_thread().name) 11 stop=time.time() 12 13def test1(): 14 for i in range(400): 15 p=threading.Thread(target=work,name="test"+str(i)) 16 l.append(p) 17 p.start() 18 19def test2(): 20 for i in range(400): 21 p=threading.Thread(target=work,name="test"+str(i)) 22 l.append(p) 23 p.start() 24 25 for p in l: 26 p.join() 27 28if __name__ == '__main__': 29 print("CPU Core:",os.cpu_count()) #本机为4核 30 print("Worker: 400") #测试线程数 31 32 start=time.time() 33 test1() 34 active_count=threading.active_count() 35 while (active_count>1): 36 active_count=threading.active_count() 37 continue 38 test1_result=stop-start 39 40 start=time.time() 41 l=[] 42 test2() 43 active_count=threading.active_count() 44 while (active_count>1): 45 active_count=threading.active_count() 46 continue 47 48 print('Thread run time is %s' %(test1_result)) 49print('Thread join run time is %s' %(stop-start))
执行结果如下：
1Thread run time is 4.829492807388306 2Thread join run time is 2.053645372390747
由上结果可以看到, 多线程时join阻塞后执行效率提高了很多。 多进程与多线程 多任务编程的本质是CPU占用方法的调度处理，对于python下多任务处理有多种编程方法可供选择，分别有多进程(multiprocessing)、多线程(threading)及异步协程(Asyncio)，在实际使用中该如何选择呢？我们先看如下一段程序的执行效果。
1rom multiprocessing import Process 2from threading import Thread 3import os,time 4 5l=[] 6def work(): 7 res=0 8 for i in range(100000000): 9 res*=i 10 11def test1(): 12 for i in range(4): 13 p=Process(target=work) 14 l.append(p) 15 p.start() 16 17def test2(): 18 for i in range(4): 19 p=Thread(target=work) 20 l.append(p) 21 p.start() 22 23 for p in l: 24 p.join() 25 26if __name__ == '__main__': 27 print("CPU Core:",os.cpu_count()) #本机为4核 28 print("Worker: 4") #工作线程或子进程数 29 30 start=time.time() 31 test1() 32 while (l[len(l)-1].is_alive()): 33 continue 34 stop=time.time() 35 print('Process run time is %s' %(stop-start)) 36 37 start=time.time() 38 l=[] 39 test2() 40 while (l[len(l)-1].is_alive()): 41 continue 42 stop=time.time() 43 print('Thread run time is %s' %(stop-start)) 44
执行结果如下：
1CPU Core: 4 2Worker: 4 3Process run time is 11.030176877975464 4Thread run time is 17.0117769241333
从上面的结果，我们可以看到同一个函数用Process及Thread 不同的方法，执行的时间是不同的，为什么会产生这样的差异？ 多进程(multiprocessing)方法使用子进程而非线程，其有效地绕过了全局解释器锁GIL(Global Interpreter Lock), 并充分利用了多核CPU的性能，所以在多核CPU环境下，其比多线程方式效率要高。
协程 又称为微线程，协程也可被看作是被标注的函数，不同被表注函数的执行和切换就是协程的切换，其完全由编程者自行控制。协程一般是使用 gevent库，在早期这个库用起来比较麻烦，所以在python 3.7以后的版本，对协程的使用方法做了优化。执行代码如下:
1 import asyncio 2import time 3 4async def work(i): 5 await asyncio.sleep(2) 6 print('===>',i) 7 8async def main(): 9 start=time.time() 10 l=[] 11 for i in range(400): 12 p=asyncio.create_task(work(i)) 13 l.append(p) 14 15 for p in l: 16 await p 17 18 stop=time.time() 19 print('run time is %s' %(stop-start)) 20 21asyncio.run(main())
执行结果如下：
run time is 2.0228068828582764
另，默认环境下，协程是在单线程模式下执行的异步操作，其并不能发挥多处理器的性能。为了提升执行效率，可以在多进程中执行协程调用方法，代码用例如下：
1from multiprocessing import Process 2import asyncio 3import os,time 4 5l=[] 6async_result=0 7async def work1(): 8 res=0 9 for i in range(100000000): 10 res*=i 11 12# 协程入口 13async def async_test(): 14 m=[] 15 for i in range(4): 16 p=asyncio.create_task(work1()) 17 m.append(p) 18 19 for p in m: 20 await p 21 22async def async_test1(): 23 await asyncio.create_task(work1()) 24 25def async_run(): 26 asyncio.run(async_test1()) 27 28# 多进程入口 29def test1(): 30 for i in range(4): 31 p=Process(target=async_run) 32 l.append(p) 33 p.start() 34 35if __name__ == '__main__': 36 print("CPU Core:",os.cpu_count()) #本机为4核 37 print("Worker: 4") #工作线程或子进程数 38 start=time.time() 39 asyncio.run(async_test()) 40 stop=time.time() 41 42 print('Asyncio run time is %s' %(stop-start)) 43 44 start=time.time() 45 test1() 46 while (l[len(l)-1].is_alive()): 47 continue 48 stop=time.time() 49 50 print('Process Asyncio run time is %s' %(stop-start))
执行结果如下：
1CPU Core: 4 2Worker: 4 3Asyncio run time is 18.89663052558899 4Process Asyncio run time is 10.865562438964844
如上结果，在多进程中调用多协程的方法，执行效率明显提高。
多任务编程选择 如上所结果是否是就决定一定要选择多进程(multiprocessing)模式呢？我们再看下如下代码:
1from multiprocessing import Process 2from threading import Thread 3import os,time 4 5l=[] 6# 仅计算 7def work1(): 8 res=0 9 for i in range(100000000): 10 res*=i 11 12# 仅输出 13def work2(): 14 time.sleep(2) 15 print('===>') 16 17# 多进程，仅计算 18def test1(): 19 for i in range(4): 20 p=Process(target=work1) 21 l.append(p) 22 p.start() 23 24# 多进程，仅输出 25def test_1(): 26 for i in range(400): 27 p=Process(target=work2) 28 l.append(p) 29 p.start() 30 31# 多线程，仅计算 32def test2(): 33 for i in range(4): 34 p=Thread(target=work1) 35 l.append(p) 36 p.start() 37 38 for p in l: 39 p.join() 40 41# 多线程，仅输出 42def test_2(): 43 for i in range(400): 44 p=Thread(target=work2) 45 l.append(p) 46 p.start() 47 48 for p in l: 49 p.join() 50 51if __name__ == '__main__': 52 print("CPU Core:",os.cpu_count()) #本机为4核 53 54 start=time.time() 55 test1() 56 while (l[len(l)-1].is_alive()): 57 continue 58 stop=time.time() 59 test_result=stop-start 60 61 start=time.time() 62 l=[] 63 test_1() 64 while (l[len(l)-1].is_alive()): 65 continue 66 stop=time.time() 67 test1_result=stop-start 68 69 start=time.time() 70 l=[] 71 test2() 72 while (l[len(l)-1].is_alive()): 73 continue 74 stop=time.time() 75 test2_result=stop-start 76 start=time.time() 77 l=[] 78 test_2() 79 while (l[len(l)-1].is_alive()): 80 continue 81 stop=time.time() 82 test3_result=stop-start 83 print('Process run time is %s' %(test_result)) 84 print('Process I/O run time is %s' %(test1_result)) 85 print('Thread run time is %s' %(test2_result)) 86 print('Thread I/O run time is %s' %(stop-start)) 87
执行结果如下：
1Process run time is 10.77662968635559 2Process I/O run time is 2.9869778156280518 3Thread run time is 16.842355012893677 4Thread I/O run time is 2.024587869644165 5
由结果可看，在仅计算的操作时，多进程效率比较高，在仅输出的操作时，多线程的效率比较高，所以在实际使用中要根据实际情况测试决定。通用的建议如下： 多线程(threading)用于IO密集型，如socket，爬虫，web 多进程(multiprocessing)用于计算密集型，如数据分析 好买网 www.goodmai.com IT技术交易平台