Python多线程多进程应用场景

IO密集型： 推荐使用多进程，多线程是鸡肋
CPU密集型： 推荐使用多进程或多线程

为什么Python多线程在IO密集型中是鸡肋？通过一段代码来测试

单线程执行从1亿递减到0

import datetime

def run(n):
    while n > 0:
        n -= 1
        
if __name__ == '__main__':
    start_time = datetime.datetime.now()
    n = 100000000
    run(n)
    end_time = datetime.datetime.now()
    print('用时:', end_time - start_time)
用时: 0:00:03.044011

启用两个线程t1, t2各运行5000万次

import threading
import datetime


def run(n):
    while n > 0:
        n -= 1

if __name__ == '__main__':
    start_time = datetime.datetime.now()
    n1 = 50000000
    n2 = 50000000
    threads = []
    t1 = threading.Thread(target=run, args=(n1,))
    threads.append(t1)
    t2 = threading.Thread(target=run, args=(n2,))
    threads.append(t2)
    for t in threads:
        t.start()
    for t in threads:
        t.join()
    end_time = datetime.datetime.now()
    print('用时:', end_time - start_time)
用时: 0:00:03.384256

耗时不减反增。
那么是什么导致Python多线程不快反慢呢？
原因就是GIL(Global Interpreter Lock)全局解释器锁, 来源是python设计之初的考虑，为了数据安全所做的决定。在Cpython(python主流解释器)中，解释器解释执行python代码时，先要取得这把GIL锁，正是这把锁保证在解释器中同时只有一个线程在运行。在python多线程中，python解释器按照以下方式运行：

1.设置GIL
2.切换到一个线程执行
3.执行
4.把线程设置为睡眠状态
5.解锁GIL
6.重复以上步骤

因为涉及到线程切换(保存线程上下文)、锁处理机制(设置锁，释放锁)，导致多线程不快反慢。
但是在IO密集型程序中，多线程依旧能大幅度提升程序执行效率。例如socket server、爬虫等，因为大多数时候程序实在等待socket返回数据，当线程遇到I/O操作时会释放GIL，结果就是某个线程在等待结果时其他线程可以继续执行。计算密集型(CPU密集型)每运行100次也会释放GIL。