前段时间在做一个项目，项目本身没什么难度，只是数据存在一个数据接口服务商那儿，这就意味着，前端获取数据需要至少两次http请求，第一次是前端到后端的请求，第二次是后端到数据接口的请求。有时，后端接收到前端的一次请求后，可能需要对多个接口进行请求，按照传统串行执行请求的方法，用户体验肯定是非常糟糕了，而且对计算资源也是极大的浪费，正好前段时间学习了协程和线程的知识，所以我花了一些时间，对几种可行方案进行了测试对比。一开始我使用真正的网络io进行测试，发现这种方法受网络环境影响比较大，为了公平起见，用sleep(0.02)来代替网络io，接下来介绍方案和测试结果。
基本方案：串行执行
import time
def wget(flag):
time.sleep(0.02) #模拟网络io
print(flag)
count = 100 #进行100次请求
start = time.time() #开始时刻
for i in range(count):
wget(i)
end = time.time() #结束时刻
cost = end - start #耗时
print(‘cost:‘ + str(spend))最终耗时超过2s，毫无疑问，这是最没效率的方案，仅仅是作为参照而已。
改进方案：多线程
多线程的计时方法显然不能照搬串行执行的测试方案，原因在于每个线程启动后，如果调用join()阻塞主线程，那么相当于串行执行，如果不调用join()，那么结束时刻end会在所有线程完成之前就返回，测试结果必然不准。所以我用了一个笨办法：在每个线程结束时打印当前时间戳，把控制台上最后一个时间戳减去线程开始执行的时间戳，就是运行耗时。
import time
import threading
mutex=threading.Lock() #初始化锁对象
def wget():
time.sleep(0.02) #模拟网络io
mutex.acquire() #加锁
print(‘endtime:‘+str(time.time())) #当前线程的结束时刻
mutex.release() #释放锁
count = 100 #进行100次请求
start = time.time() #开始时刻
print(‘starttime:‘+str(start))
for i in range(count):
t = threading.Thread(target=wget)
t.start()最后结果约为0.08s，这个成绩显然比串行执行好得多，不过程序的运行效率不会随着线程数量的增长而线性增长，原因在于线程创建切换销毁时的开销，极端情况下会造成崩溃。如果线程数不可控制时，这种方案要慎用。
改进方案：线程池
为了解决上面提到的多线程的不足之处，这里使用线程池。
import time
import threading
from concurrent.futures import ThreadPoolExecutor, as_completed, wait, ALL_COMPLETED
mutex=threading.Lock() #初始化锁对象
def wget():
time.sleep(0.02) #模拟网络io
mutex.acquire() #加锁
print(threading.currentThread())
mutex.release() #释放锁
size = 40 #线程池大小
count = 100 #进行100次请求
start = time.time() #开始时刻
pool = ThreadPoolExecutor(max_workers=size) #线程池对象
tasks = [pool.submit(wget) for i in range(count)]
wait(tasks, return_when=ALL_COMPLETED) #等待所有线程完成
end = time.time() #结束时刻
print(‘spend:‘ + str(end-start))经过测试后发现，当线程池线程数量设置为40时，耗时最小，约为0.08s，与上一个方案相当，不过随着线程数量继续增加，线程池稳定的特点会显现出来。
改进方案：协程异步
import asyncio
import time
async def wget(flag): #async关键字表明这是一个异步操作
await asyncio.sleep(0.02) #await相当于yield from
print(flag)
count = 100 #进行100次请求
start = time.time() #开始时刻
loop = asyncio.get_event_loop() #事件循环对象
tasks = [wget(i) for i in range(count)]
loop.run_until_complete(asyncio.wait(tasks)) #等待所有协程完成
loop.close()
end = time.time() #结束时刻
print(‘spend:‘ + str(end - start))这个方案的结果让我相当震惊，没有用到任何多线程技术，所有的操作在一个线程上完成，耗时0.06s，是所有方案中耗时最少的。协程更令人振奋的优点在于，协程创建的开销与线程相比完全可以忽略，这意味着，使用多协程可以处理更多的任务。
总结
显然在这几个方案中，协程是最具有优势的，将来如果有时间，我还会对多协程多进程的协同进行测试。
原文地址：https://www.cnblogs.com/bugsheep/p/9226202.html