关于python:Python的多任务编程

文章转载自东凌阁
GoodMai 好买网

前言
Python程序代码都是按自上而下的程序加载并执行的，但理论须要代码解决的工作并不都是须要循序渐进的程序执行，通常为进步代码执行的效率，须要多个代码执行工作同时执行，也就是多任务编程的需要。
根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，理论就是CPU和相干寄存器及RAM之间的相干解决的过程。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后果，所以不同过程的代码是轮流由CPU执行的，因为CPU执行速度很快，在体现上仍会被感觉是同时执行的。不同就绪队列间的读入与后果保留被称之为上下文切换，因为过程间切换会产生肯定的工夫期待及资源的耗费，所以为了缩小等待时间和资源的耗费，就引入了线程的设计。线程是当过程的队列被受权占用CPU时，该过程的所有线程队列在共享该过程资源的环境下按优先级由CPU执行。无论是过程还是线程，其队列及资源切换都是由操作系统进行管制的，同时线程的切换也是十分耗费性能的，为了使各线程的调度更节约资源，就呈现了协程的设计。协程是在过程或线程环境下执行的，其领有本人的寄存器上下文和栈，调度是齐全由用户管制的，相当于函数办法的调度。对于多任务编程，若要实现代码的多任务高效率执行，咱们要清晰如下这几个概念的特点及其区别，能力依据理论需要，选用最佳的多任务编程办法。

并行
指在同一时刻有多个过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过程的指令执行，但多个过程指令被疾速轮换执行，使得在宏观上具备多个过程同时执行的成果。
过程
过程是程序的运行态，过程间数据共享须要借助内部存储空间。
线程
线程是过程的组成部分,一个过程能够蕴含一个或多个线程，同一过程内线程间数据共享属于外部共享。
协程
协程是一种用户态的轻量级线程，一个过程能够蕴含一个或多个协程，也能够在一个线程蕴含一个或多个协程。协程的调度齐全由用户管制，同一过程内协程间数据共享属于外部共享。
多线程解决
因为Python是动静编译的语言，与C/C++、Java等动态语言不同，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，为避免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)的解决机制, 该机制相当于一个互斥锁，所以即使一个过程下开启了多线程，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，也无奈利用CPU多核的劣势。

另，GIL并不是Python的个性，他是在实现Python解释器（Cpython）时所引入的一个概念，GIL爱护的是解释器级的数据，爱护用户本人的数据仍须要本人加锁解决。在默认状况下，因为GIL的存在，为了使多线程(threading)执行效率更高，须要应用join办法对无序的线程进行阻塞，如下代码能够看到区别。

from multiprocessing import Process
import threading
import os,time

l=[]
stop=time.time()
def work():
    global stop
    time.sleep(2)
    print('===>',threading.current_thread().name)
    stop=time.time()

def test1():
    for i in range(400):
        p=threading.Thread(target=work,name="test"+str(i)) 
        l.append(p)
        p.start()

def test2():
    for i in range(400):
        p=threading.Thread(target=work,name="test"+str(i)) 
        l.append(p)
        p.start()

    for p in l:
        p.join()

if __name__ == '__main__':
    print("CPU Core:",os.cpu_count()) #本机为4核
    print("Worker: 400") #测试线程数

    start=time.time()
    test1()
    active_count=threading.active_count()
    while (active_count>1):
        active_count=threading.active_count()
        continue
    test1_result=stop-start

    start=time.time()
    l=[]
    test2()
    active_count=threading.active_count()
    while (active_count>1):
        active_count=threading.active_count()
        continue
    
    print('Thread run time is %s' %(test1_result))
print('Thread join run time is %s' %(stop-start))

执行后果如下：

Thread run time is 4.829492807388306 
Thread join run time is 2.053645372390747

由上后果能够看到, 多线程时join阻塞后执行效率进步了很多。
多过程与多线程
多任务编程的实质是CPU占用办法的调度解决，对于python下多任务处理有多种编程办法可供选择，别离有多过程(multiprocessing)、多线程(threading)及异步协程(Asyncio)，在理论应用中该如何抉择呢？咱们先看如下一段程序的执行成果。

from multiprocessing import Process
from threading import Thread
import os,time

l=[]
def work():
    res=0
    for i in range(100000000):
        res*=i

def test1():
    for i in range(4):
        p=Process(target=work) 
        l.append(p)
        p.start()

def test2():
    for i in range(4):
        p=Thread(target=work) 
        l.append(p)
        p.start()

    for p in l:
        p.join()

if __name__ == '__main__':
    print("CPU Core:",os.cpu_count()) #本机为4核
    print("Worker: 4") #工作线程或子过程数

    start=time.time()
    test1()
    while (l[len(l)-1].is_alive()):
        continue
    stop=time.time()
    print('Process run time is %s' %(stop-start))
    
    start=time.time()
    l=[]
    test2()
    while (l[len(l)-1].is_alive()):
        continue
    stop=time.time()
    print('Thread run time is %s' %(stop-start))

执行后果如下：

CPU Core: 4 
Worker: 4 
Process run time is 11.030176877975464 
Thread run time is 17.0117769241333

从下面的后果，咱们能够看到同一个函数用Process及Thread 不同的办法，执行的工夫是不同的，为什么会产生这样的差别？
多过程(multiprocessing)办法应用子过程而非线程，其无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，其比多线程形式效率要高。

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，其齐全由编程者自行管制。协程个别是应用 gevent库，在晚期这个库用起来比拟麻烦，所以在python 3.7当前的版本，对协程的应用办法做了优化。执行代码如下:

import asyncio
import time

async def work(i):
    await asyncio.sleep(2)
    print('===>',i)

async def main():
    start=time.time()
    l=[]
    for i in range(400):
        p=asyncio.create_task(work(i))
        l.append(p)

    for p in l:
        await p

    stop=time.time()
    print('run time is %s' %(stop-start))

asyncio.run(main())

执行后果如下：
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，其并不能施展多处理器的性能。为了晋升执行效率，能够在多过程中执行协程调用办法，代码用例如下：

from multiprocessing import Process
import asyncio
import os,time

l=[]
async_result=0
async def work1():
    res=0
    for i in range(100000000):
        res*=i

# 协程入口
async def async_test():
    m=[]
    for i in range(4):
        p=asyncio.create_task(work1())
        m.append(p)

    for p in m:
        await p

async def async_test1():
    await asyncio.create_task(work1())

def async_run():
    asyncio.run(async_test1())

# 多过程入口
def test1():
    for i in range(4):
        p=Process(target=async_run) 
        l.append(p)
        p.start()

if __name__ == '__main__':
    print("CPU Core:",os.cpu_count()) #本机为4核
    print("Worker: 4") #工作线程或子过程数
    start=time.time()
    asyncio.run(async_test())
    stop=time.time()
    
    print('Asyncio run time is %s' %(stop-start))

    start=time.time()
    test1()
    while (l[len(l)-1].is_alive()):
        continue
    stop=time.time()

    print('Process Asyncio run time is %s' %(stop-start))

执行后果如下：

CPU Core: 4 
Worker: 4 
Asyncio run time is 18.89663052558899 
Process Asyncio run time is 10.865562438964844

如上后果，在多过程中调用多协程的办法，执行效率明显提高。

多任务编程抉择
如上所后果是否是就决定肯定要抉择多过程(multiprocessing)模式呢？咱们再看下如下代码:

from multiprocessing import Process
from threading import Thread
import os,time

l=[]
# 仅计算
def work1():
    res=0
    for i in range(100000000):
        res*=i

# 仅输入
def work2():
    time.sleep(2)
    print('===>')

# 多过程，仅计算
def test1():
    for i in range(4):
        p=Process(target=work1) 
        l.append(p)
        p.start()

# 多过程，仅输入
def test_1():
    for i in range(400):
        p=Process(target=work2) 
        l.append(p)
        p.start()

# 多线程，仅计算
def test2():
    for i in range(4):
        p=Thread(target=work1) 
        l.append(p)
        p.start()

    for p in l:
        p.join()

# 多线程，仅输入
def test_2():
    for i in range(400):
        p=Thread(target=work2) 
        l.append(p)
        p.start()

    for p in l:
        p.join()

if __name__ == '__main__':
    print("CPU Core:",os.cpu_count()) #本机为4核

    start=time.time()
    test1()
    while (l[len(l)-1].is_alive()):
        continue
    stop=time.time()
    test_result=stop-start
    
    start=time.time()
    l=[]
    test_1()
    while (l[len(l)-1].is_alive()):
        continue
    stop=time.time()
    test1_result=stop-start

    start=time.time()
    l=[]
    test2()
    while (l[len(l)-1].is_alive()):
        continue
    stop=time.time()
    test2_result=stop-start
    start=time.time()
    l=[]
    test_2()
    while (l[len(l)-1].is_alive()):
        continue
    stop=time.time()
    test3_result=stop-start
    print('Process run time is %s' %(test_result))
    print('Process I/O run time is %s' %(test1_result))
    print('Thread run time is %s' %(test2_result))
    print('Thread I/O run time is %s' %(stop-start))

执行后果如下：

Process run time is 10.77662968635559 
Process I/O run time is 2.9869778156280518 
Thread run time is 16.842355012893677 
Thread I/O run time is 2.024587869644165

由后果可看，在仅计算的操作时，多过程效率比拟高，在仅输入的操作时，多线程的效率比拟高，所以在理论应用中要依据理论状况测试决定。通用的倡议如下：
多线程(threading)用于IO密集型，如socket，爬虫，web
多过程(multiprocessing)用于计算密集型，如数据分析

关于python:Python的多任务编程

评论

发表回复取消回复

更多文章

DDN HPC 存储硬件架构设计深度分析

探秘IO500：从Lustre并行文件系统出发，开启HPC存储性能新征程

苹果iOS打包的ipa应用无法安装？一篇文章带你了解可能的原因及排查方法

图解Golang：从零开始实现简易版过期LRU缓存

关于python:Python的多任务编程

评论

发表回复 取消回复

更多文章

DDN HPC 存储硬件架构设计深度分析

探秘IO500：从Lustre并行文件系统出发，开启HPC存储性能新征程

苹果iOS打包的ipa应用无法安装？一篇文章带你了解可能的原因及排查方法

图解Golang：从零开始实现简易版过期LRU缓存

发表回复取消回复