011_Python中单线程、多线程和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

1

2

3

4

import requests

import time

from threading import Thread

from multiprocessing import Process

(2)定义CPU密集的计算函数

Python

1

2

3

4

5

6

7

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

1

2

3

4

5

6

7

8

9

10

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

1

2

3

4

5

6

7

8

9

10

_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

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

# 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

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

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

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

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

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

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

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

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

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

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

Python

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

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

原文地址:https://www.cnblogs.com/arun-python/p/9165051.html

时间: 2024-10-07 11:29:21

011_Python中单线程、多线程和多进程的效率对比实验的相关文章

线程的创建 验证线程之间共享数据 守护线程 线程进程效率对比 锁 死锁 递归锁

线程(from threading import Thread):CPU调度的最小单位 线程的两种创建方式:方式一: 1 from threading import Thread 2 def f1(i): 3 print(i) 4 if __name__ == '__main__': 5 for i in range(10): 6 t = Thread(target=f1,args=(i,)) 7 t.start() 8 print('主线程') 方式二: 1 from threading im

并发编程8 线程的创建&amp;验证线程之间数据共享&amp;守护线程&amp;线程进程效率对比&amp;锁(死锁/递归锁)

1.线程理论以及线程的两种创建方法 2.线程之间是数据共享的与join方法 3.多线程和多进程的效率对比 4.数据共享的补充线程开启太快 5.线程锁 互斥锁 同步锁 6.死锁现象和递归锁 7.守护线程和守护进程的对比 8.补充 9.GIL锁&GIL锁与线程锁的区别 10.GIL锁补充 11.信号量 时间补充说明 原文地址:https://www.cnblogs.com/studybrother/p/10269278.html

多线程和多进程的区别【转载网络】

在Unix上编程采用多线程还是多进程的争执由来已久,这种争执最常见到在C/S通讯中服务端并发技术 的选型上,比如WEB服务器技术中,Apache是采用多进程的(perfork模式,每客户连接对应一个进程,每进程中只存在唯一一个执行线程), Java的Web容器Tomcat.Websphere等都是多线程的(每客户连接对应一个线程,所有线程都在一个进程中). 从Unix发展历史看,伴随着Unix的诞生进程就出现了,而线程很晚才被系统支持,例如Linux直到内核2.6,才支持符合Posix规范的NP

多线程 or 多进程【转】

出处:http://www.cnblogs.com/eavn/archive/2010/08/28/1811381.html 多线程 or 多进程 (转强力推荐) 在Unix上编程采用多线程还是多进程的争执由来已久,这种争执最常见到在C/S通讯中服务端并发技术 的选型上,比如WEB服务器技术中,Apache是采用多进程的(perfork模式,每客户连接对应一个进程,每进程中只存在唯一一个执行线程),Java的Web容器Tomcat.Websphere等都是多线程的(每客户连接对应一个线程,所有线

转载:多线程 or 多进程详解

转:http://www.cnblogs.com/eavn/archive/2010/08/28/1811381.html 转:http://programmerdigest.cn/2010/08/1096.html 在Unix上编程采用多线程还是多进程的争执由来已久,这种争执最常见到在C/S通讯中服务端并发技术 的选型上,比如WEB服务器技术中,Apache是采用多进程的(perfork模式,每客户连接对应一个进程,每进程中只存在唯一一个执行线程), Java的Web容器Tomcat.Webs

多线程 or 多进程 (转强力推荐)

在Unix上编程采用多线程还是多进程的争执由来已久,这种争执最常见到在C/S通讯中服务端并发技术 的选型上,比如WEB服务器技术中,Apache是采用多进程的(perfork模式,每客户连接对应一个进程,每进程中只存在唯一一个执行线程),Java的Web容器Tomcat.Websphere等都是多线程的(每客户连接对应一个线程,所有线程都在一个进程中). 从Unix发展历史看,伴随着Unix的诞生进程就出现了,而线程很晚才被系统支持,例如Linux直到内核2.6,才支持符合Posix规范的NPT

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候cpu的使用效率: 1)单线程执行的时候: 2)多线程执行的时候: 3)多进程执行的时候: 总结: 1)单进程单线程时,对于双核CPU的利用率只能利用一个核,没有充分利用两个核. 2)单进程多线程时,对于双核CPU的来说,虽然两个核都用到的,不过很明显没有充分利用两个核,这里要说一个GIL(全局解

线程、进程、多线程、多进程

http://blog.csdn.net/lishenglong666/article/details/8557215 线程进程的联系和区别 定义: 进程是程序在计算机上的一次执行活动,是系统进行资源分配和调度的一个独立单位:  线程是进程的一个实体,是cpu调度和分派的基本单位,他是比进程更小的能独立运行的基本单位:线程自己基本上不拥有系统资源,只用有点在运行中必不可少的资源(如程序计数器,一组寄存器和栈),一个线程可以创建和撤销另一个线程: 线程与进程的关系: 1)     一个线程只能属于

老男孩教育每日一题-2017年3月23日-请问多线程与多进程的区别,在什么时候用线程或进程更合适?

解答: 进程: 优点:多进程可以同时利用多个CPU,能够同时进行多个操作. 缺点:耗费资源(创建一个进程重新开辟内存空间). 进程不是越多越好,一般进程个数等于cpu个数. 线程: 优点:共享内存,尤其是进行IO操作(网络.磁盘)的时候(IO操作很少用cpu),可以使用多线程执行并发操作. 缺点:抢占资源. 线程也不是越多越好,具体案例具体分析,切换线程关系到请求上下文切换耗时. 计算机中执行任务的最小单元:线程. IO密集型(不用cpu):多线程 计算密集型(用cpu):多进程 网友精品回答: