Python中多处理与多线程的区别是什么，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。
成都创新互联咨询电话：13518219792，为您提供成都网站建设网页设计及定制高端网站建设服务，成都创新互联网页制作领域十多年，包括成都小搅拌车等多个领域拥有丰富的营销推广经验，选择成都创新互联，为企业锦上添花。
什么是线程?你为什么想要它?
Python是一种线性语言。但是，当您需要更多的处理能力时，线程模块就派上用场了。
Python中的线程不能用于并行CPU计算。但是它非常适合于I/O操作，比如web抓取，因为处理器处于空闲状态，等待数据。
线程化改变了游戏规则，因为许多与网络/数据 I/O相关的脚本将大部分时间花费在等待来自远程数据源上。有时候，下载可能没有链接(例如，如果您正在抓取不同的网站)，处理器可以并行地从不同的数据源下载并在最后合并结果。
线程包含在标准库中：
import threading from queue import Queue import time
您可以使用target作为可调用的对象，args将参数传递给函数，并开始启动线程：
def testThread(num): print num if __name__ == '__main__': for i in range(5): t = threading.Thread(target=testThread, arg=(i,)) t.start()
锁(lock)
您通常希望您的线程能够使用或修改线程之间的公共变量。要做到这一点，你必须使用一种叫做锁(lock)的东西。
每当一个函数想要修改一个变量时，它就会锁定该变量。当另一个函数想要使用一个变量时，它必须等待，直到该变量被解锁。
假设有两个函数都对一个变量进行了1次迭代。锁允许您确保一个函数可以访问变量、执行计算并在另一个函数访问相同的变量之前写回该变量。
您可以使用打印锁来确保一次只能打印一个线程。这可以防止文本在打印时变得混乱(并导致数据损坏)。
在下面的代码中，我们有10个我们想要完成的工作和5个将要工作的工人：
print_lock = threading.Lock() def threadTest(): # when this exits, the print_lock is released with print_lock: print(worker) def threader(): while True: # get the job from the front of the queue threadTest(q.get()) q.task_done() q = Queue() for x in range(5): thread = threading.Thread(target = threader) # this ensures the thread will die when the main thread dies # can set t.daemon to False if you want it to keep running t.daemon = True t.start() for job in range(10): q.put(job)
多线程并不总是完美的解决方案
我们发现许多教程都倾向于忽略使用他们刚教过你的工具的缺点。理解使用所有这些工具的利弊是很重要的。
例如：
管理线程需要时间，因此它适用于基本任务(如示例)
线程化增加了程序的复杂性，从而增加了调试的难度
多处理是什么?它与线程有什么不同?
在没有多处理(multiprocessing)的情况下，由于GIL(全局解释器锁 Global Interpreter Lock)，Python程序很难最大化系统的规格。Python的设计并没有考虑到个人计算机可能有多个核心。因此GIL是必要的，因为Python不是线程安全的，而且在访问Python对象时存在一个全局强制锁。虽然不完美，但它是一种非常有效的内存管理机制。
多处理允许您创建可以并发运行的程序(绕过GIL)并使用整个CPU内核。尽管它与线程库有本质的不同，但是语法非常相似。多处理库为每个进程提供了自己的Python解释器，以及各自的GIL。
因此，与线程相关的常见问题(如数据损坏和死锁)不再是问题。因为进程不共享内存，所以它们不能并发地修改相同的内存。
让我们开始代码演示：
import multiprocessing def spawn(): print('test!') if __name__ == '__main__': for i in range(5): p = multiprocessing.Process(target=spawn) p.start()如果您有一个共享数据库，您希望确保在启动新数据库之前，正在等待相关进程完成。
for i in range(5): p = multiprocessing.Process(target=spawn) p.start() p.join() # this line allows you to wait for processes
如果希望将参数传递给进程，可以使用args实现这一点：
import multiprocessing def spawn(num): print(num) if __name__ == '__main__': for i in range(25): ## right here p = multiprocessing.Process(target=spawn, args=(i,)) p.start()
这是一个简单的例子，因为正如您所注意到的，数字的排列顺序与您所期望的不一致(没有p.join())。
与线程一样，多处理仍然有缺点……你必须选择其中一个坏处：
在进程之间转移数据会带来I/O开销
整个内存被复制到每个子进程中，对于更重要的程序来说，这会带来很大的开销
看完上述内容，你们掌握Python中多处理与多线程的区别是什么的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注创新互联行业资讯频道，感谢各位的阅读！
