python並行處理任務時 該用多進程？仍是該用多線程？

      在python並行處理任務時要使用多線程仍是多進程？ 說到這個話題，必需要提的GIL( Global Interpreter Lock)全局解釋鎖，當Cpython每次執行字節碼時都要先申請這個鎖。那麼問題就來了，若是使用多線程是比也會受到影響。

       多線程和多進程程序比較，哪一個性能更高？仍是拿一個實例運行來看看吧～ 

＃寫一個簡單的例子，計算100W個隨機數的和8次，同時將分散到8個線程進行運算。
＃thread.py

#!/usr/bin/env python

import random
import threading

results = []

def compute():
    results.append(
        sum([random.randint(1,100) for i in range(1000000)]))

def main():        
    workers = [threading.Thread(target(compute) for  x in range(8))]

    for worker in workers:
        worker.start()
    
    for woker in workers:
        worker.join()
    print("Result: %s" % results)
   
   
if __name__  == "__main__":
    main()
    

    
#相同的功能，使用多進程來實現
#worker.py

#!/usr/bin/env python

import multiprocessing
import random

def compute(n):
    return sum(
        [random.randint(1,100) for i in range(1000000)])
        
def main():
    pool = multiprocessing.Pool(8)
    print("Results: %s" % pool.map(compute, range(8)))
    
if __name__ == "__main__":
    main()

 兩個代碼片斷已經寫完了，接下來我找了三種配置的機器來運行這兩段代碼：

配置1	1Core	2GB內存
配置2	4Core	8GB內存
配置3	48Core	64GB內存

實驗1:

兩端代碼同時在1Core 2GB機器上運行，查看運行結果：

從運行結果來看，多線程的程序比多進程的程序效率要高，使用cpu都是99%(因爲機器只有一個Core，多進程沒有體現它的價值)。

實驗2:

兩段代碼同時在4Core 8GB內存機器上運行，查看運行結果：

從運行結果來看，多進程程序效率比多線程程序效率要高1倍還要多。cpu使用上多線程卡在了141%，多進程跑到了379%，這裏體現出多進程的優點。

實驗3:

兩段代碼同時在48core 64GB內存機器上跑，查看運行結果：

從運行結果來看，多進程程序cpu能夠跑到715%(程序設置了開啓8個worker進程，因此不會超過800%)，而多線程卡在了124%。

經過以上測試結果，已經能夠得出。python下多進程程序要比多線程程序要高效。而且會隨着Core數不斷的增長，性能也會獲得提高。

因此考慮在必定的時間內並行處理一些工做時，最好依靠多進程建立多個做業，以便在多個cpu之間分散負載。