Python多執行緒雞年不雞肋

發表於2017-05-26

術業有專攻，如是而已

當初在剛學習python多執行緒時，上網搜尋資料幾乎都是一片倒的反應python沒有真正意義上的多執行緒，python多執行緒就是雞肋。當時不明所以，只是瞭解到python帶有GIL直譯器鎖的概念，同一時刻只能有一個執行緒在執行，遇到IO操作才會釋放切換。那麼，python多執行緒是否真的很雞肋呢？要解決這個疑惑，我想必須親自動手測試。

經過對比python與java的多執行緒測試，我發現python多執行緒的效率確實不如java，但遠還沒有達到雞肋的程度，那麼跟其他機制相比較呢？

觀點：用多程式替代多執行緒需求

輾轉了多篇博文，我看到了一些網友的觀點，覺得應該使用python多程式來代替多執行緒的需求，因為多程式不受GIL的限制。於是我便動手使用多程式去解決一些併發問題，期間也遇到了一些坑，所幸大部分查詢資料解決了，然後對多程式做了簡單彙總介紹Python多程式。
那麼是否多程式能完全替代多執行緒呢？別急，我們繼續往下看。

觀點：協程為最佳方案

協程的概念目前來說是比較火熱的，協程不同於執行緒的地方在於協程不是作業系統進行切換，而是由程式設計師編碼進行切換的，也就是說切換是由程式設計師控制的，這樣就沒有了執行緒所謂的安全問題。協程的概念非常廣而深，本文暫不做具體介紹，以後會單獨成文。

測試資料

好了，網上的觀點無非是使用多程式或者協程來代替多執行緒（當然換程式語言，換直譯器之類方法除外），那麼我們就來測試下這三者的效能之差。既然要公平測試，就應該考慮IO密集型與CPU密集型的問題，所以分兩組資料進行測試。

IO密集型測試

測試IO密集型，我選擇最常用的爬蟲功能，計算爬蟲訪問bing所需要的時間。（主要測試多執行緒與協程，單執行緒與多程式就不測了，因為沒有必要）
測試程式碼：

#! -*- coding:utf-8 -*-
from gevent import monkey;monkey.patch_all()
import gevent
import time
import threading
import urllib2
def urllib2_(url):
	try:
		urllib2.urlopen(url,timeout=10).read()
	except Exception,e:
		print e
def gevent_(urls):
	jobs=[gevent.spawn(urllib2_,url) for url in urls]
	gevent.joinall(jobs,timeout=10)
	for i in jobs:
		i.join()
def thread_(urls):
	a=[]
	for url in urls:
		t=threading.Thread(target=urllib2_,args=(url,))
		a.append(t)
	for i in a:
		i.start()
	for i in a:
		i.join()
if __name__=="__main__":
	urls=["https://www.bing.com/"]*10      
	t1=time.time()
	gevent_(urls)
	t2=time.time()
	print 'gevent-time:%s' % str(t2-t1)
	thread_(urls)
	t4=time.time()
	print 'thread-time:%s' % str(t4-t2)

#! -*- coding:utf-8 -*-

from gevent import monkey;monkey.patch_all()

import gevent

import time

import threading

import urllib2

def urllib2_(url):

try:

urllib2.urlopen(url,timeout=10).read()

except Exception,e:

print e

def gevent_(urls):

jobs=[gevent.spawn(urllib2_,url) for url in urls]

gevent.joinall(jobs,timeout=10)

for i in jobs:

i.join()

def thread_(urls):

a=[]

for url in urls:

t=threading.Thread(target=urllib2_,args=(url,))

a.append(t)

for i in a:

i.start()

for i in a:

i.join()

if __name__=="__main__":

urls=["https://www.bing.com/"]*10

t1=time.time()

gevent_(urls)

t2=time.time()

print 'gevent-time:%s' % str(t2-t1)

thread_(urls)

t4=time.time()

print 'thread-time:%s' % str(t4-t2)

測試結果：
訪問10次
gevent-time:0.380326032639
thread-time:0.376606941223
訪問50次
gevent-time:1.3358900547
thread-time:1.59564089775
訪問100次
gevent-time:2.42984986305
thread-time:2.5669670105
訪問300次
gevent-time:6.66330099106
thread-time:10.7605059147
從結果可以看出，當併發數不斷增大時，協程的效率確實比多執行緒要高，但在併發數不是那麼高時，兩者差異不大。

CPU密集型

CPU密集型，我選擇科學計算的一些功能，計算所需時間。（主要測試單執行緒、多執行緒、協程、多程式）
測試程式碼：

#! -*- coding:utf-8 -*-
from multiprocessing import Process as pro
from multiprocessing.dummy import Process as thr
from gevent import monkey;monkey.patch_all()
import gevent
def run(i):
	lists=range(i)
	list(set(lists))
	
if __name__=="__main__":
	'''
	多程式
	'''
	for i in range(30):      ##10-2.1s 20-3.8s 30-5.9s
		t=pro(target=run,args=(5000000,))
		t.start()
	'''
	多執行緒
	'''
	# for i in range(30):    ##10-3.8s  20-7.6s  30-11.4s
	# 	t=thr(target=run,args=(5000000,))
	# 	t.start()
	'''
	協程
	'''
	# jobs=[gevent.spawn(run,5000000) for i in range(30)]  ##10-4.0s 20-7.7s 30-11.5s
	# gevent.joinall(jobs)
	# for i in jobs:
	# 	i.join()
	'''
	單執行緒
	'''
	# for i in range(30):  ##10-3.5s  20-7.6s 30-11.3s
	# 	run(5000000)

#! -*- coding:utf-8 -*-

from multiprocessing import Process as pro

from multiprocessing.dummy import Process as thr

from gevent import monkey;monkey.patch_all()

import gevent

def run(i):

lists=range(i)

list(set(lists))

if __name__=="__main__":

'''

多程式

'''

for i in range(30): ##10-2.1s 20-3.8s 30-5.9s

t=pro(target=run,args=(5000000,))

t.start()

'''

多執行緒

'''

# for i in range(30): ##10-3.8s 20-7.6s 30-11.4s

# t=thr(target=run,args=(5000000,))

# t.start()

'''

協程

'''

# jobs=[gevent.spawn(run,5000000) for i in range(30)] ##10-4.0s 20-7.7s 30-11.5s

# gevent.joinall(jobs)

# for i in jobs:

# i.join()

'''

單執行緒

'''

# for i in range(30): ##10-3.5s 20-7.6s 30-11.3s

# run(5000000)

測試結果：

併發10次：【多程式】2.1s 【多執行緒】3.8s 【協程】4.0s 【單執行緒】3.5s
併發20次：【多程式】3.8s 【多執行緒】7.6s 【協程】7.7s 【單執行緒】7.6s
併發30次：【多程式】5.9s 【多執行緒】11.4s 【協程】11.5s 【單執行緒】11.3s

可以看到，在CPU密集型的測試下，多程式效果明顯比其他的好，多執行緒、協程與單執行緒效果差不多。這是因為只有多程式完全使用了CPU的計算能力。在程式碼執行時，我們也能夠看到，只有多程式可以將CPU使用率佔滿。

本文結論

從兩組資料我們不難發現，python多執行緒並沒有那麼雞肋。如若不然，Python3為何不去除GIL呢？對於此問題，Python社群也有兩派意見，這裡不再論述，我們應該尊重Python之父的決定。
至於何時該用多執行緒，何時用多程式，何時用協程？想必答案已經很明顯了。
當我們需要編寫併發爬蟲等IO密集型的程式時，應該選用多執行緒或者協程（親測差距不是特別明顯）；當我們需要科學計算，設計CPU密集型程式，應該選用多程式。當然以上結論的前提是，不做分散式，只在一臺伺服器上測試。
答案已經給出，本文是否就此收尾？既然已經論述Python多執行緒尚有用武之地，那麼就來介紹介紹其用法吧。

Multiprocessing.dummy模組

Multiprocessing.dummy用法與多程式Multiprocessing用法類似，只是在import包的時候，加上.dummy。
用法參考Multiprocessing用法

threading模組

這是python自帶的threading多執行緒模組，其建立多執行緒主要有2種方式。一種為繼承threading類，另一種使用threading.Thread函式，接下來將會分別介紹這兩種用法。

Usage【1】

利用threading.Thread()函式建立執行緒。
程式碼：

def run(i):
	print i
for i in range(10):
	t=threading.Thread(target=run,args=(i,))
	t.start()

def run(i):

print i

for i in range(10):

t=threading.Thread(target=run,args=(i,))

t.start()

說明：Thread()函式有2個引數，一個是target，內容為子執行緒要執行的函式名稱；另一個是args，內容為需要傳遞的引數。建立完子執行緒，將會返回一個物件，呼叫物件的start方法，可以啟動子執行緒。

執行緒物件的方法：

Start() 開始執行緒的執行
Run() 定義執行緒的功能的函式
Join(timeout=None) 程式掛起，直到執行緒結束；如果給了timeout，則最多阻塞timeout秒
getName() 返回執行緒的名字
setName() 設定執行緒的名字
isAlive() 布林標誌，表示這個執行緒是否還在執行
isDaemon() 返回執行緒的daemon標誌
setDaemon(daemonic) 把執行緒的daemon標誌設為daemonic（一定要在start（）函式前呼叫）
t.setDaemon(True) 把父執行緒設定為守護執行緒，當父程式結束時，子程式也結束。

threading類的方法：

threading.enumerate() 正在執行的執行緒數量

Usage【2】

通過繼承threading類，建立執行緒。
程式碼：

import threading
class test(threading.Thread):
    def __init__(self):
        threading.Thread.__init__(self)
    def run(self):
        try:
            print "code one"
        except:
            pass
for i in range(10):
    cur=test()
    cur.start()
for i in range(10):
    cur.join()

import threading

class test(threading.Thread):

def __init__(self):

threading.Thread.__init__(self)

def run(self):

try:

print "code one"

except:

pass

for i in range(10):

cur=test()

cur.start()

for i in range(10):

cur.join()

說明：此方法繼承了threading類，並且重構了run函式功能。

獲取執行緒返回值問題

有時候，我們往往需要獲取每個子執行緒的返回值。然而通過呼叫普通函式，獲取return值的方式在多執行緒中並不適用。因此需要一種新的方式去獲取子執行緒返回值。
程式碼：

import threading
class test(threading.Thread):
    def __init__(self):
        threading.Thread.__init__(self)
    def run(self):
        self.tag=1
    def get_result(self):
        if self.tag==1:
            return True
        else:
            return False
f=test()
f.start()
while f.isAlive():
    continue
print f.get_result()

import threading

class test(threading.Thread):

def __init__(self):

threading.Thread.__init__(self)

def run(self):

self.tag=1

def get_result(self):

if self.tag==1:

return True

else:

return False

f=test()

f.start()

while f.isAlive():

continue

print f.get_result()

說明：多執行緒獲取返回值的首要問題，就是子執行緒什麼時候結束？我們應該什麼時候去獲取返回值？可以使用isAlive()方法判斷子執行緒是否存活。

控制執行緒執行數目

當需要執行的任務非常多時，我們往往需要控制執行緒的數量，threading類自帶有控制執行緒數量的方法。
程式碼：

import threading
maxs=10  ##併發的執行緒數量
threadLimiter=threading.BoundedSemaphore(maxs)
class test(threading.Thread):
    def __init__(self):
        threading.Thread.__init__(self)
    def run(self):
        threadLimiter.acquire()  #獲取
        try:
            print "code one"
        except:
            pass
        finally:
            threadLimiter.release() #釋放
for i in range(100):
    cur=test()
    cur.start()
for i in range(100):
    cur.join()

import threading

maxs=10 ##併發的執行緒數量

threadLimiter=threading.BoundedSemaphore(maxs)

class test(threading.Thread):

def __init__(self):

threading.Thread.__init__(self)

def run(self):

threadLimiter.acquire() #獲取

try:

print "code one"

except:

pass

finally:

threadLimiter.release() #釋放

for i in range(100):

cur=test()

cur.start()

for i in range(100):

cur.join()

說明：以上程式可以控制多執行緒併發數為10，超過這個數量會引發異常。
除了自帶的方法，我們還可以設計其他方案：

threads=[]
'''
建立所有執行緒
'''
for i in range(10):
	t=threading.Thread(target=run,args=(i,))
	threads.append(t)
'''
啟動列表中的執行緒
'''
for t in threads:
    t.start()
    while True:
        #判斷正在執行的執行緒數量,如果小於5則退出while迴圈,
        #進入for迴圈啟動新的程式.否則就一直在while迴圈進入死迴圈
        if(len(threading.enumerate())<5):
            break

threads=[]

'''

建立所有執行緒

'''

for i in range(10):

t=threading.Thread(target=run,args=(i,))

threads.append(t)

'''

啟動列表中的執行緒

'''

for t in threads:

t.start()

while True:

#判斷正在執行的執行緒數量,如果小於5則退出while迴圈,

#進入for迴圈啟動新的程式.否則就一直在while迴圈進入死迴圈

if(len(threading.enumerate())<5):

break

以上兩種方式皆可以，本人更喜歡用下面那種方式。

執行緒池

import threadpool
def ThreadFun(arg1,arg2):
    pass
def main():
    device_list=[object1,object2,object3......,objectn]#需要處理的裝置個數
    task_pool=threadpool.ThreadPool(8)#8是執行緒池中執行緒的個數
    request_list=[]#存放任務列表
    #首先構造任務列表
    for device in device_list:
        request_list.append(threadpool.makeRequests(ThreadFun,[((device, ), {})]))
    #將每個任務放到執行緒池中，等待執行緒池中執行緒各自讀取任務，然後進行處理，使用了map函式，不瞭解的可以去了解一下。
    map(task_pool.putRequest,request_list)
    #等待所有任務處理完成，則返回，如果沒有處理完，則一直阻塞
    task_pool.poll()
if __name__=="__main__":
    main()

import threadpool

def ThreadFun(arg1,arg2):

pass

def main():

device_list=[object1,object2,object3......,objectn]#需要處理的裝置個數

task_pool=threadpool.ThreadPool(8)#8是執行緒池中執行緒的個數

request_list=[]#存放任務列表

#首先構造任務列表

for device in device_list:

request_list.append(threadpool.makeRequests(ThreadFun,[((device, ), {})]))

#將每個任務放到執行緒池中，等待執行緒池中執行緒各自讀取任務，然後進行處理，使用了map函式，不瞭解的可以去了解一下。

map(task_pool.putRequest,request_list)

#等待所有任務處理完成，則返回，如果沒有處理完，則一直阻塞

task_pool.poll()

if __name__=="__main__":

main()

多程式問題，可以趕赴Python多程式現場，其他關於多執行緒問題，可以下方留言討論

申明：本文談不上原創，其中借鑑了網上很多大牛的文章，本人只是在此測試論述Python多執行緒相關問題，並簡單介紹Python多執行緒的基本用法，為新手朋友解惑。

python 多執行緒為什麼雞肋？
2017-02-27
Python執行緒
為什麼有人說 Python 多執行緒是雞肋？
2018-05-04
Python執行緒
Oracle OMF 為雞肋
2013-12-24
Oracle
雞肋的Redis事務
2023-02-14
Redis
Django認證系統並不雞肋反而很重要
2020-12-11
Django
防止OA系統成為雞肋
2014-12-24
當紅炸子雞圖資料庫商業化落地“雞肋”？
2022-05-31
資料庫
冰鑑科技CEO顧凌雲： AI金融產品是「雞肋」還是「雞腿」？
2020-05-27
AI
我所瞭解的JavaScript糟粕和雞肋
2015-07-08
JavaScript
開發者談遊戲中過多的文字內容是否會淪為雞肋
2022-03-23
遊戲
入侵檢測技術，雞肋還是機會？
2007-05-07
Mybatis-聊一聊雞肋的快取體系
2019-04-24
MyBatis快取
Python小菜雞求助
2020-10-09
Python
python多執行緒
2017-12-26
Python執行緒
Python 多執行緒
2016-05-24
Python執行緒
能把SAP系統玩成雞肋的公司，太有才了！
2022-06-23
雲端計算：亞馬遜的救心丸騰訊的雞肋阿里的王牌
2016-11-03
亞馬遜阿里
遇到個小問題，Java泛型真的是雞肋嗎？
2014-06-22
Java泛型
Python 多執行緒多程式
2021-03-26
Python執行緒
【話題討論】如何把運維人員從雞肋轉變成雞大腿的故事之討論
2013-01-09
運維
python百雞百錢
2018-12-24
Python
python多執行緒示例
2016-07-07
Python執行緒
python多執行緒中：如何關閉執行緒？
2024-03-13
Python執行緒
智慧市場爭紅奪利，但產品雞肋依舊
2019-07-17
（騷操作）Laravel 中一個鮮為人知的雞肋功能
2019-01-23
Laravel
Win10預覽版9926：嫌美版Cortana雞肋？
2015-01-25
Win10
雞肋 -- ORACLE10g自動收集CBO統計資訊(ZT)
2008-06-20
Oracle
Python——程式、執行緒、協程、多程式、多執行緒（個人向）
2020-10-22
Python執行緒
【Python】多程式與多執行緒
2018-01-19
Python執行緒
python多執行緒程式設計1— python對多執行緒的支援
2013-04-02
Python執行緒程式設計
AWE部分功能相對“雞肋”再次成為智慧家電的痛點
2017-03-17
### iOS10.3雞肋新特性動態更換App圖示
2017-05-09
iOSAPP
以圖搜尋——網際網路影象搜尋引擎的“雞肋”？
2013-04-25
多執行緒【執行緒池】
2021-02-20
執行緒
多執行緒--執行緒管理
2018-07-31
執行緒
Java多執行緒——執行緒
2017-03-16
Java執行緒
python3 多執行緒
2019-10-18
Python執行緒
04.python-多執行緒
2019-06-04
Python執行緒

Python多執行緒雞年不雞肋

觀點：用多程式替代多執行緒需求

觀點：協程為最佳方案

測試資料

IO密集型測試

CPU密集型

本文結論

Multiprocessing.dummy模組

threading模組

Usage【1】

Usage【2】

獲取執行緒返回值問題

控制執行緒執行數目

執行緒池

相關文章