标签：main 线程 print orm code 版本 oba list intel
Python是解释型语言，根据不同的底层协议有很多种版本，最常见的是基于C的Cpython，默认情况下我们所说的Python就是Cpython。
Python的GIL（global interpreter lock）：
用于解决多线程之间的数据完整性和状态同步而存在，使得不管线程分布在多少个CPU上，解释器同一时刻只允许1个线程运行。
所以Python是thread_safe的。这样其实Python就几乎只能进行单线程编程了。
CPU密集型应用：（频繁计算）
从1开始累加，到1亿
1 def foo(): 2 num = 0 3 for i in range(100000001): 4 num += i
现在进行一个任务，完成三次函数foo()的运行，计算总耗时，给出四种方案
1、单线程，1,2,3,4串行
2、多线程，1,2,3,4并行
3、单进程，1,2,3,4串行
4、多进程，1,2,3,4并行
通过实验验证在CPU秘籍应用下Python并发的最佳实现方式
测试电脑CPU：
intel_I7-4700(4核8线程）
方案1；
1 if __name__ == "__main__": 2 t_list = [] 3 start_time = time.time() 4 for i in range(5): 5 i = threading.Thread(target=foo) 6 t_list.append(i) 7 i.start() 8 i.join() 9 end_time = time.time() 10 print("Totally time:{}".format(end_time-start_time))
方案2；
1 if __name__ == "__main__": 2 t_list = [] 3 start_time = time.time() 4 for i in range(5): 5 i = threading.Thread(target=foo) 6 t_list.append(i) 7 i.start() 8 for i in t_list: 9 i.join() 10 end_time = time.time() 11 print("Totally time:{}".format(end_time-start_time))
方案3；
1 if __name__ == "__main__": 2 p_list = [] 3 start_time = time.time() 4 for i in range(5): 5 i = multiprocessing.Process(target=foo) 6 p_list.append(i) 7 i.start() 8 i.join() 9 end_time = time.time() 10 print("Totally time:{}".format(end_time-start_time))
方案4；
1 if __name__ == "__main__": 2 p_list = [] 3 start_time = time.time() 4 for i in range(5): 5 i = multiprocessing.Process(target=foo) 6 p_list.append(i) 7 i.start() 8 for i in p_list: 9 i.join() 10 end_time = time.time() 11 print("Totally time:{}".format(end_time-start_time))
方案与实践的对应：
方案1：——42.97582244873047
方案2：——44.63868308067322
方案3：——45.94909477233887
方案4：——15.7623131275177
总结：
这里multi_thread的效率竟然低于single_thread！所以，计算密集型应用，千万不要使用多线程，反而增加累赘！（GIL导致的）。
最能发挥性能的就是多进程！
标签：main 线程 print orm code 版本 oba list intel
原文地址：http://www.cnblogs.com/alben-cisco/p/7148193.html
