小米官宣：2023年上半年出貨量中國第一！
今日早間，小米電視官方微博帶來消息，稱2023年小米電視上半年出貨量達到了中國第一，同時還表示小米電視的巨屏風暴即將開始。“公布一個好消息2023年#小米電視上半年出貨量中國
我們將討論如何利用Python執行多線程和多進程任務。它們提供了在單個進程或多個進程之間執行并發操作的方法。并行和并發執行可以提高系統的速度和效率。
在討論多線程和多進程的基礎知識之后，我們還將討論使用Python庫實現它們的實際方法。
首先簡要討論并行系統的好處。
并行計算的優勢
以上是需要并發或并行執行的一些常見原因。現在，回到主題，即多線程和多進程，并討論它們的主要區別。
多線程是在單個進程中實現并行性的一種方法，能夠執行同時進行的任務。在單個進程內可以創建多個線程，并在該進程內并行執行較小的任務。
單個進程中的線程共享一個公共內存空間，但它們的堆棧跟蹤和寄存器是獨立的。由于共享內存，它們的計算成本較低。
單線程和多線程Env.
Python中的多線程主要用于執行I/O操作，即如果程序的某個部分正在執行I/O操作，則其余程序可以保持響應。然而，在Python的實現中，由于全局解釋器鎖（GIL）的存在，多線程無法實現真正的并行性。
簡而言之，GIL是一個互斥鎖，一次只允許一個線程與Python字節碼交互，即使在多線程模式下，一次也只能有一個線程執行字節碼。
這樣做是為了在CPython中保持線程安全，但它限制了多線程的性能優勢。為了解決這個問題，Python有一個單獨的多進程庫，我們將在之后進行討論。
不斷在后臺運行的線程稱為守護線程。它們的主要工作是支持主線程或非守護線程。守護線程不會阻塞主線程的執行，甚至會在主線程執行完畢后繼續運行。
在Python中，守護線程主要用作垃圾回收器。它會默認銷毀所有無用的對象并釋放內存，以便主線程可以正常使用和執行。
多進程用于執行多個進程的并行執行。它可以幫助實現真正的并行性，因為可以同時執行不同的進程，并且每個進程都擁有自己的內存空間。它使用CPU的獨立核心，并且在執行進程間的數據交換時也很有幫助。
與多線程相比，多進程的計算成本更高，因為不使用共享內存空間。不過，它允許進行獨立執行，并克服了全局解釋器鎖的限制。
多進程環境
上圖展示了一個多進程環境，在該環境中，一個主進程創建了兩個獨立的進程，并為它們分配了不同的工作。
現在，我們使用Python實現一個基本的多線程示例。Python有一個內置的threading模塊用于多線程實現。
import threadingimport os這是一個用于計算數字平方的簡單函數，它接受一個數字列表作為輸入，并輸出列表中每個數字的平方，同時輸出使用的線程名稱和與該線程關聯的進程ID。
def calculate_squares(numbers): for num in numbers: square = num * num print( f"Square of the number {num} is {square} | Thread Name {threading.current_thread().name} | PID of the process {os.getpid()}" )本示例有一個數字列表，將其平均分成兩半，并分別命名為first_half和second_half。現在，將為這些列表分配兩個獨立的線程t1和t2。
Thread函數創建一個新線程，該線程接受一個帶有參數列表的函數作為輸入。還可以為線程分配一個單獨的名稱。
.start()函數將開始執行這些線程，而.join()函數將阻塞主線程的執行，直到給定的線程完全執行完畢。
if __name__ == "__main__": numbers = [1, 2, 3, 4, 5, 6, 7, 8] half = len(numbers) // 2 first_half = numbers[:half] second_half = numbers[half:] t1 = threading.Thread(target=calculate_squares, name="t1", args=(first_half,)) t2 = threading.Thread(target=calculate_squares, name="t2", args=(second_half,)) t1.start() t2.start() t1.join() t2.join()輸出：
Square of the number 1 is 1 | Thread Name t1 | PID of the process 345Square of the number 2 is 4 | Thread Name t1 | PID of the process 345Square of the number 5 is 25 | Thread Name t2 | PID of the process 345Square of the number 3 is 9 | Thread Name t1 | PID of the process 345Square of the number 6 is 36 | Thread Name t2 | PID of the process 345Square of the number 4 is 16 | Thread Name t1 | PID of the process 345Square of the number 7 is 49 | Thread Name t2 | PID of the process 345Square of the number 8 is 64 | Thread Name t2 | PID of the process 345注意：上述創建的所有線程都是非守護線程。要創建守護線程，需要編寫t1.setDaemon(True)，將線程t1設置為守護線程。
現在來了解一下上述代碼生成的輸出結果。可以觀察到兩個線程的進程ID（即PID）保持不變，這意味著這兩個線程屬于同一個進程。
還可以觀察到輸出并非按順序生成。第一行中可以看到是線程1生成的輸出，然后在第三行是線程2生成的輸出，接著在第四行，再次是線程1生成的輸出。這清楚地表明這些線程是同時工作的。
并發并不意味著這兩個線程并行執行，因為一次只有一個線程被執行。它不會減少執行時間，與順序執行所需的時間相同。CPU開始執行一個線程，但在中途離開，并切換到另一個線程，過一段時間后，又回到主線程，并從上次離開的地方開始執行。
目前對多線程及其實現方式和限制已經有基本的了解。現在，是時候學習多進程的實現以及如何克服這些限制了。
在這里將沿用相同的示例，但不再創建兩個獨立的線程，而是創建兩個獨立的進程，并討論觀察結果。
from multiprocessing import Processimport os本例將使用multiprocessing模塊來創建獨立的進程。
該函數將保持不變。只是在這里刪除了有關線程信息的打印語句。
def calculate_squares(numbers): for num in numbers: square = num * num print( f"Square of the number {num} is {square} | PID of the process {os.getpid()}" )主函數有一些修改。只是創建了一個獨立的進程，而不是線程。
if __name__ == "__main__": numbers = [1, 2, 3, 4, 5, 6, 7, 8] half = len(numbers) // 2 first_half = numbers[:half] second_half = numbers[half:] p1 = Process(target=calculate_squares, args=(first_half,)) p2 = Process(target=calculate_squares, args=(second_half,)) p1.start() p2.start() p1.join() p2.join()輸出：
Square of the number 1 is 1 | PID of the process 1125Square of the number 2 is 4 | PID of the process 1125Square of the number 3 is 9 | PID of the process 1125Square of the number 4 is 16 | PID of the process 1125Square of the number 5 is 25 | PID of the process 1126Square of the number 6 is 36 | PID of the process 1126Square of the number 7 is 49 | PID of the process 1126Square of the number 8 is 64 | PID of the process 1126可以觀察到，每個列表都由一個獨立的進程執行。它們具有不同的進程ID。為了檢查進程是否已并行執行，需要創建一個單獨的環境，下面我們將討論這一點。
為了檢查是否獲得了真正的并行性，在這里將計算使用和不使用多進程的算法運行時間。
為此，需要一個包含超過10^6個整數的大型整數列表。可以使用random庫生成一個列表。此處將使用Python的time模塊來計算運行時間。下面是實現的代碼，代碼本身很容易理解，也可以隨時查看代碼注釋。
from multiprocessing import Processimport osimport timeimport randomdef calculate_squares(numbers): for num in numbers: square = num * numif __name__ == "__main__": numbers = [ random.randrange(1, 50, 1) for i in range(10000000) ] # 創建一個包含10^7個整數的隨機列表。 half = len(numbers) // 2 first_half = numbers[:half] second_half = numbers[half:] # ----------------- 創建單進程環境 ------------------------# start_time = time.time() # 開始計時（不使用多進程） p1 = Process( target=calculate_squares, args=(numbers,) ) # 單進程P1執行整個列表 p1.start() p1.join() end_time = time.time() # 結束計時（不使用多進程） print(f"Execution Time Without Multiprocessing: {(end_time-start_time)*10**3}ms") # ----------------- 創建多進程環境 ------------------------# start_time = time.time() # 開始計時（使用多進程） p2 = Process(target=calculate_squares, args=(first_half,)) p3 = Process(target=calculate_squares, args=(second_half,)) p2.start() p3.start() p2.join() p3.join() end_time = time.time() # 結束計時（使用多進程） print(f"Execution Time With Multiprocessing: {(end_time-start_time)*10**3}ms")輸出：
Execution Time Without Multiprocessing: 619.8039054870605msExecution Time With Multiprocessing: 321.70287895202637ms可以觀察到，使用多進程的時間幾乎是不使用多進程時間的一半。這表明這兩個進程在同一時間內并行執行，并展示了真正的并行性行為。
本文鏈接：http://www.www897cc.com/showinfo-26-43333-0.htmlPython編程進階，輕松掌握多線程和多進程
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號