Python中多處理與多線程的區別是什么

Python中多處理與多線程的區別是什么，相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。

什么是線程?你為什么想要它?

Python是一種線性語言。但是，當您需要更多的處理能力時，線程模塊就派上用場了。

Python中的線程不能用于并行CPU計算。但是它非常適合于I/O操作，比如web抓取，因為處理器處于空閑狀態，等待數據。

線程化改變了游戲規則，因為許多與網絡/數據  I/O相關的腳本將大部分時間花費在等待來自遠程數據源上。有時候，下載可能沒有鏈接(例如，如果您正在抓取不同的網站)，處理器可以并行地從不同的數據源下載并在最后合并結果。

線程包含在標準庫中：

import threading from queue import Queue import time

您可以使用target作為可調用的對象，args將參數傳遞給函數，并開始啟動線程：

def testThread(num):     print num  if __name__ == '__main__':     for i in range(5):         t = threading.Thread(target=testThread, arg=(i,))         t.start()

鎖(lock)

您通常希望您的線程能夠使用或修改線程之間的公共變量。要做到這一點，你必須使用一種叫做鎖(lock)的東西。

每當一個函數想要修改一個變量時，它就會鎖定該變量。當另一個函數想要使用一個變量時，它必須等待，直到該變量被解鎖。

假設有兩個函數都對一個變量進行了1次迭代。鎖允許您確保一個函數可以訪問變量、執行計算并在另一個函數訪問相同的變量之前寫回該變量。

您可以使用打印鎖來確保一次只能打印一個線程。這可以防止文本在打印時變得混亂(并導致數據損壞)。

在下面的代碼中，我們有10個我們想要完成的工作和5個將要工作的工人：

print_lock = threading.Lock()  def threadTest():     # when this exits, the print_lock is released     with print_lock:         print(worker)  def threader():   while True:     # get the job from the front of the queue     threadTest(q.get())     q.task_done()  q = Queue() for x in range(5):     thread = threading.Thread(target = threader)     # this ensures the thread will die when the main thread dies     # can set t.daemon to False if you want it to keep running     t.daemon = True     t.start()  for job in range(10):     q.put(job)

多線程并不總是完美的解決方案

我們發現許多教程都傾向于忽略使用他們剛教過你的工具的缺點。理解使用所有這些工具的利弊是很重要的。

例如：

• 管理線程需要時間，因此它適用于基本任務(如示例)

• 線程化增加了程序的復雜性，從而增加了調試的難度

多處理是什么?它與線程有什么不同?

在沒有多處理(multiprocessing)的情況下，由于GIL(全局解釋器鎖 Global Interpreter  Lock)，Python程序很難最大化系統的規格。Python的設計并沒有考慮到個人計算機可能有多個核心。因此GIL是必要的，因為Python不是線程安全的，而且在訪問Python對象時存在一個全局強制鎖。雖然不完美，但它是一種非常有效的內存管理機制。

多處理允許您創建可以并發運行的程序(繞過GIL)并使用整個CPU內核。盡管它與線程庫有本質的不同，但是語法非常相似。多處理庫為每個進程提供了自己的Python解釋器，以及各自的GIL。

因此，與線程相關的常見問題(如數據損壞和死鎖)不再是問題。因為進程不共享內存，所以它們不能并發地修改相同的內存。

讓我們開始代碼演示：

import multiprocessing def spawn():   print('test!')  if __name__ == '__main__':   for i in range(5):     p = multiprocessing.Process(target=spawn)     p.start()

如果您有一個共享數據庫，您希望確保在啟動新數據庫之前，正在等待相關進程完成。

for i in range(5):   p = multiprocessing.Process(target=spawn)   p.start()   p.join() # this line allows you to wait for processes

如果希望將參數傳遞給進程，可以使用args實現這一點：

import multiprocessing def spawn(num):   print(num)  if __name__ == '__main__':   for i in range(25):     ## right here     p = multiprocessing.Process(target=spawn, args=(i,))     p.start()

這是一個簡單的例子，因為正如您所注意到的，數字的排列順序與您所期望的不一致(沒有p.join())。

與線程一樣，多處理仍然有缺點……你必須選擇其中一個壞處：

• 在進程之間轉移數據會帶來I/O開銷

• 整個內存被復制到每個子進程中，對于更重要的程序來說，這會帶來很大的開銷

看完上述內容，你們掌握Python中多處理與多線程的區別是什么的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！