多处理与线程化Python
我想了解多 线程的多处理优势。 我知道全局解释器锁可以解决多处理问题 ，但是还有什么其他的优点，而且可以通过线程来做同样的事情呢？
threading模块使用线程， multiprocessing模块使用进程。 不同之处在于线程在同一个内存空间中运行，而进程具有单独的内存。 这使得在多进程进程之间共享对象变得更加困难。 由于线程使用相同的内存，所以必须采取预防措施，或者两个线程同时写入相同的内存。 这是全球解释器锁的用途。
产卵过程比产卵线程慢一点。 一旦他们跑步，没有太大的区别。
这是我提出的一些优点/缺点。
多
优点
- 分开的内存空间
- 代码通常很简单
- 利用多个CPU和内核
- 避免cPython的GIL限制
- 消除同步原语的大部分需求，除非使用共享内存（相反，它更像是IPC的通信模型）
- subprocess是可中断的/可以进行的
- Python
multiprocessing模块包含有用的抽象接口，就像threading.Thread一样 - 必须用cPython进行CPU绑定处理
缺点
- IPC更复杂一些，开销更多（通信模式与共享内存/对象）
- 更大的内存占用
穿线
优点
- 轻量级 – 低内存占用
- 共享内存 – 使访问状态从另一个上下文更容易
- 允许您轻松制作响应式用户界面
- 正确释放GIL的cPython C扩展模块将并行运行
- I / O绑定应用程序的最佳select
缺点
- cPython – 服从GIL
- 不可中断/可打
- 如果不遵循命令队列/消息泵模型（使用
Queue模块），则手动使用同步原语成为必需（需要确定locking的粒度） - 代码通常很难理解和正确 – 竞争条件的潜力急剧增加
线程的工作是使应用程序响应。 假设你有一个数据库连接，你需要响应用户input。 如果没有线程，数据库连接繁忙，应用程序将无法响应用户。 通过将数据库连接拆分为一个单独的线程，可以使应用程序响应更快。 同样因为两个线程处于同一个进程中，他们可以访问相同的数据结构 – 性能良好，并且具有灵活的软件devise。
请注意，由于GIL，应用程序实际上并不是一次做两件事，但我们所做的是将数据库上的资源锁放入一个单独的线程，以便CPU时间可以在它和用户交互之间切换。 CPU时间在线程之间分配。
多重处理是在任何时候都确实需要完成多件事情的时候。 假设您的应用程序需要连接到6个数据库，并对每个数据集执行复杂的matrix转换。 把每个作业放在一个单独的线程中可能会有所帮助，因为当一个连接空闲时，另外一个可能获得一些CPU时间，但是并行处理不会并行完成，因为GIL意味着你只使用一个CPU的资源。 通过将每个作业放在多处理进程中，每个作业都可以运行在自己的CPU上，并以最高效率运行。
关键优势是隔离。 崩溃的过程不会导致其他进程，而崩溃的线程可能会对其他线程造成严重破坏。
另一件没有提到的事情是，它取决于你在哪个操作系统上使用速度。 在Windows中，进程代价高昂，所以线程在Windows中会更好，但是在unix进程中比在Windows上更快，所以在unix中使用进程会更加安全，加快产生。
其他答案更侧重于multithreading与多处理方面，但在Python全局解释器锁（ GIL ）必须考虑。 当创build更多的线程（比如说k个 ）时，通常它们不会将性能提高k倍，因为它仍将作为单线程应用程序运行。 GIL是一个全局锁，它将所有东西都locking，只允许单个线程执行，只使用一个内核。 性能确实在使用像numpy，Network，I / O这样的C扩展的地方增加了，在这里完成了大量的后台工作，并释放了GIL。
所以当使用线程时，只有一个操作系统级别的线程，而python创build完全由线程本身pipe理的伪线程，但本质上是作为单个进程运行的。 先占权在这些伪线之间。 如果CPU以最大容量运行，则可能需要切换到多处理。
现在，如果是自包含执行的实例，则可以select使用池。 但是在数据重叠的情况下，您可能希望进程进行通信，您应该使用multiprocessing.Process 。
进程可能有多个线程可能共享内存。 如果你考虑多进程vsmultithreading，线程除了在这个过程中。 进程正在CPU上运行。 所以线程驻留在进程下面。 进程是独立运行的独立实体。 如果要在进程之间共享数据或状态，可以使用存储数据（例如Cache（redis，memcache），Files，Database）的常见位置，
