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

(1)引入所需要的模块

import requestsimport timefrom threading import Threadfrom multiprocessing import Process

def count(x, y):# 使程序完成50万计算c = 0while c < 500000:c += 1x += xy += y

(2)定义CPU密集的计算函数

（3）定义IO密集的文件读写函数

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()

_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 = ""def http_request():try:webPage = requests.get(url, headers=_head)html = webPage.textreturn {"context": html}except Exception as e:return {"error": e}

(4) 定义网络请求函数

(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

# 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)

(6)测试多线程并发执行CPU密集操作所需时间输出

CPU密集：95.6059999466、91.57099986076355 92.52800011634827、 99.96799993515015IO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

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 -= 1if e <= 0:breakprint(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

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 -= 1if e <= 0:breakprint(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

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 -= 1if e <= 0:breakprint("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

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 -= 1if e <= 0:breakprint("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

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 -= 1if e <= 0:breakprint("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

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 -= 1if e <= 0:breakprint("Multiprocess Http Request", time.time() - t)

Output: 0.5329999923706055、0.4760000705718994

实验结果

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

原文链接在这里