Skip to content

Latest commit

 

History

History
172 lines (118 loc) · 4.48 KB

Python multi threads.md

File metadata and controls

172 lines (118 loc) · 4.48 KB

Python多任务处理(多线程篇)

作者: tushushu
项目地址: https://github.com/tushushu/flying-python

1. GIL

熟悉python的都知道,在C语言写的python解释器中存在全局解释器锁,由于全局解释器锁的存在,在同一时间内,python解释器只能运行一个线程的代码,这大大影响了python多线程的性能。而这个解释器锁由于历史原因,现在几乎无法消除。

python GIL 之所以会影响多线程等性能,是因为在多线程的情况下,只有当线程获得了一个全局锁的时候,那么该线程的代码才能运行,而全局锁只有一个,所以使用python多线程,在同一时刻也只有一个线程在运行,因此在即使在多核的情况下也只能发挥出单核的性能。

2. 多线程处理IO密集型任务

IO密集型任务指的是系统的CPU性能相对硬盘、内存要好很多,此时,系统运作,大部分的状况是CPU在等I/O (硬盘/内存) 的读/写操作,此时CPU Loading并不高。涉及到网络、磁盘IO的任务都是IO密集型任务。一个线程执行IO密集型任务的时候,CPU处于闲置状态,因此GIL会被释放给其他线程,从而缩短了总体的等待运行时间。

from concurrent.futures import ThreadPoolExecutor
from time import sleep, time
# Worker数量
N = 4
# 建立线程池
pool = ThreadPoolExecutor(max_workers=N)

2.1 定义一个IO密集型函数

该函数会“睡眠”x秒。

def io_bound_func(x):
    sleep(x)
    print("Sleep for %d seconds." % x)

2.2 使用串行的方式处理

遍历一个列表的所有元素,执行func函数。

def process_array(arr):
    for x in arr:
        io_bound_func(x)

2.3 使用多线程处理

通过线程池的map方法,可以将同一个函数作用在列表中的所有元素上。

def fast_process_array(arr):
    for x in pool.map(io_bound_func, arr):
        pass

2.4 计算函数运行时间

  • 串行版本的运行时间 = 1 + 2 + 3 = 6秒
  • 多线程版本的运行时间 = max(1, 2, 3) = 3秒
def time_it(fn, *args):
    start = time()
    fn(*args)
    print("%s版本的运行时间为 %.5f 秒!" % (fn.__name__, time() - start))
time_it(process_array, [1, 2, 3])
Sleep for 1 seconds.
Sleep for 2 seconds.
Sleep for 3 seconds.
process_array版本的运行时间为 6.00883 秒!
time_it(fast_process_array, [1, 2, 3])
Sleep for 1 seconds.
Sleep for 2 seconds.
Sleep for 3 seconds.
fast_process_array版本的运行时间为 3.00300 秒!

3. 多线程CPU密集型任务

CPU密集型任务的特点是要进行大量的计算,消耗CPU资源,比如计算圆周率、对视频进行高清解码等等,全靠CPU的运算能力。一个线程执行CPU密集型任务的时候,CPU处于忙碌状态,运行1000个字节码之后GIL会被释放给其他线程,加上切换线程的时间有可能会比串行代码更慢。

3.1 定义一个CPU密集型函数

该函数会对[1, x]之间的整数进行求和。

def cpu_bound_func(x):
    tot = 0
    a = 1
    while a <= x:
        tot += x
        a += 1
    print("Finish sum from 1 to %d!" % x)
    return tot

3.2 使用串行的方式处理

遍历一个列表的所有元素,执行func函数。

def process_array(arr):
    for x in arr:
        cpu_bound_func(x)

3.3 使用多线程处理

通过线程池的map方法,可以将同一个函数作用在列表中的所有元素上。

def fast_process_array(arr):
    for x in pool.map(cpu_bound_func, arr):
        pass

3.4 计算函数运行时间

  • 串行版本的运行时间2.1秒
  • 多线程版本的运行时间2.2秒
def time_it(fn, *args):
    start = time()
    fn(*args)
    print("%s版本的运行时间为 %.5f 秒!" % (fn.__name__, time() - start))
time_it(process_array, [10**7, 10**7, 10**7])
Finish sum from 1 to 10000000!
Finish sum from 1 to 10000000!
Finish sum from 1 to 10000000!
process_array版本的运行时间为 2.10489 秒!
time_it(fast_process_array, [10**7, 10**7, 10**7])
Finish sum from 1 to 10000000!
Finish sum from 1 to 10000000!
Finish sum from 1 to 10000000!
fast_process_array版本的运行时间为 2.20897 秒!

参考文章

https://www.jianshu.com/p/c75ed8a6e9af
https://www.cnblogs.com/tusheng/articles/10630662.html