gpt4 book ai didi

Python中单线程、多线程和多进程的效率对比实验实例

转载 作者:qq735679552 更新时间:2022-09-28 22:32:09 25 4
gpt4 key购买 nike

CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章Python中单线程、多线程和多进程的效率对比实验实例由作者收集整理,如果你对这篇文章有兴趣,记得点赞哟.

python的多进程性能要明显优于多线程,因为cpython的gil对性能做了约束.

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 。

?
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 。

?
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 。

?
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 。

?
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 。

?
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 。

?
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 。

?
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 。

以上所述是小编给大家介绍的python单线程多线程和多进程效率对比详解整合,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对我网站的支持! 。

原文链接:https://blog.csdn.net/Jailman/article/details/78427936

最后此篇关于Python中单线程、多线程和多进程的效率对比实验实例的文章就讲到这里了,如果你想了解更多关于Python中单线程、多线程和多进程的效率对比实验实例的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。

25 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com