什么是“进程、线程、协程”？( 四 ) _进程

线程Thread0首先执行，线程Thread1等待（GIL的存在）
Thread0收到I/O请求，将请求转发给DMA,DMA执行请求
Thread1占用CPU资源，继续执行
CPU收到DMA的中断请求，切换到Thread0继续执行

文章插图

与进程的执行模式相似，弥补了GIL带来的不足，又由于线程的开销远远小于进程的开销，因此，在IO密集型场景中，多线程的性能更高

实践是检验真理的唯一标准，下面将针对I/O密集型场景进行测试。

文章插图

测试

执行代码

import multiprocessingimport threadingimport time
def count(num): time.sleep(1) ## 模拟IO操作 print("Process {0} End".format(num))
if __name__ == '__main__': start_time = time.time process = list for i in range(5): p = multiprocessing.Process(target=count, args=(i,)) # p = threading.Thread(target=count, args=(i,)) process.append(p)
for p in process: p.start
for p in process: p.join
end_time = time.time print("Total time:{0}".format(end_time - start_time))

结果

## 多进程Process 0 EndProcess 3 EndProcess 4 EndProcess 2 EndProcess 1 EndTotal time:1.383193016052246## 多线程Process 0 EndProcess 4 EndProcess 3 EndProcess 1 EndProcess 2 EndTotal time:1.003425121307373

多线程的执行效性能高于多进程

是不是认为这就结束了？远还没有呢。针对I/O密集型的程序，协程的执行效率更高，因为它是程序自身所控制的，这样将节省线程创建和切换所带来的开销。

以Python中asyncio应用为依赖，使用async/await语法进行协程的创建和使用。

程序代码

import timeimport asyncio
async def coroutine: await asyncio.sleep(1) ## 模拟IO操作
if __name__ == "__main__": start_time = time.time
loop = asyncio.get_event_loop tasks = for i in range(5): task = loop.create_task(coroutine) tasks.append(task)
loop.run_until_complete(asyncio.wait(tasks)) loop.close end_time = time.time print("total time:", end_time - start_time)