在介紹python并發編程前先介紹下并行與并發得概念

并發：指一個處理器同時處理多個任務，例如一共兩個任務，看電視和學習，你在一邊學習一邊看電視，大概是學習一會兒看一會電視的狀態

并行：指多個處理器或者是多核的處理器同時處理多個不同的任務，例如一共兩個任務，玩手機和學習，你負責玩手機，學霸負責學習，這是對任務的并行處理

并發是邏輯上的同時發生（simultaneous），而并行是物理上的同時發生。

上面的例子舉得不好，看起來并發并不能提高任務的效率，其實不是這樣的，具體情況是看電視時碰到了廣告，你去學習，而不是等待廣告結束，這樣時間就被利用起來了，也就是在一個任務遇到了瓶頸先去做另一個任務，而不是原地等待

python并發編程也大概是這個意思，在程序中有線程和進程兩個概念，程序運行的效率也可以多線程和多進程兩個方面去提升

進程：是并發執行的程序在執行過程中分配和管理資源的基本單位，是一個動態概念，競爭計算機系統資源的基本單位。

線程：是進程的一個執行單元，是進程內科調度實體。比進程更小的獨立運行的基本單位。線程也被稱為輕量級進程。

進程與線程的區別：

• 地址空間：線程共享本進程的地址空間，而進程之間是獨立的地址空間。

• 資源：線程共享本進程的資源如內存、I/O、cpu等，不利于資源的管理和保護，而進程之間的資源是獨立的，能很好的進行資源管理和保護。

• 健壯性：多進程要比多線程健壯，一個進程崩潰后，在保護模式下不會對其他進程產生影響，但是一個線程崩潰整個進程都死掉。

• 執行過程：每個獨立的進程有一個程序運行的入口、順序執行序列和程序入口，執行開銷大。但是線程不能獨立執行，必須依存在應用程序中，由應用程序提供多個線程執行控制，執行開銷小。

• 切換時：進程切換時，消耗的資源大，效率高。所以涉及到頻繁的切換時，使用線程要好于進程。同樣如果要求同時進行并且又要共享某些變量的并發操作，只能用線程不能用進程。

從上面的區別可以搞清楚什么時候要用多線程什么時候用多進程

但python還有一個特性，就是python的GIL鎖，鎖在很多編程語言中都有出現，前面提到了線程會共享本進程的資源，因為在并發編程中會對多個線程會對同一個資源進行操作，這時會出現線程安全問題，鎖就是用來解決這個問題的，類似于數據庫中的臟數據，而python的GIL鎖在任意時刻只允許一個 Python 進程使用 Python 解釋器。也就是任意時刻，Python 只有一個線程在運行。

看到這里很多人會感到疑惑，如果在任意時刻，Python 只有一個線程在運行，那多線程不就沒有什么意義了

其實不是這樣的，準確的說，由于GIL的機制，單核CPU在同一時刻只有一個線程在運行。但當線程遇到IO操作或Timer Tick到期，釋放GIL鎖，那么Time Tick到期是什么呢？Time Tick規定了線程的最長執行時間，超過時間后自動釋放GIL鎖。

所以在某些場景下，python多線程對程序性能還是有很大提升的

程序的瓶頸一般是計算和IO等耗時操作，所以可以把任務分為計算密集型和IO密集型。

計算密集型：一般是指服務器的硬盤、內存硬件性能相對CPU好很多，或者使用率低很多。系統運行CPU讀寫I/O(硬盤/內存)時可以在很短的時間內完成，幾乎沒有阻塞（等待I/O的實時間）時間，而CPU一直有大量運算要處理，因此CPU負載長期過高。

IO密集型：一般是指服務器CPU的性能相對硬盤、內存硬件好很多，或者使用率低很多。系統運行多是CPU在等I/O (硬盤/內存) 的讀寫操作，此類情景下CPU負載并不高。

總結，由于python的GIL鎖，如果程序是計算密集型，使用多線程是對代碼不會有太大幫助的，而應該使用多進程，如果程序是IO密集型，那么優先使用多線程，因為多進程的資源開銷更大

如下經典示例代碼，此代碼的瓶頸主要在計算而非IO

未使用多線程、多進程

import time
from threading import Thread

COUNT = 50000000

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

start = time.time()
countdown(COUNT)
end = time.time()

print('Time taken in seconds -', end - start)

耗時

Time taken in seconds - 2.205103874206543

使用多線程

import time
from threading import Thread

COUNT = 50000000

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

t1 = Thread(target=countdown, args=(COUNT//2,))
t2 = Thread(target=countdown, args=(COUNT//2,))

start = time.time()
t1.start()
t2.start()
t1.join()
t2.join()
end = time.time()

print('Time taken in seconds -', end - start)

耗時

Time taken in seconds - 2.226524829864502

可以看到，性能基本沒有提升，還慢了一點點，考慮到誤差，兩者性能基本一樣

from multiprocessing import Pool
import time

COUNT = 50000000
def countdown(n):
    while n>0:
        n -= 1

if __name__ == '__main__':
    pool = Pool(processes=2)
    start = time.time()
    r1 = pool.apply_async(countdown, [COUNT//2])
    r2 = pool.apply_async(countdown, [COUNT//2])
    pool.close()
    pool.join()
    end = time.time()
    print('Time taken in seconds -', end - start)

耗時

 Time taken in seconds - 1.4109129905700684

可以看到多進程對與計算密集型程序性能提升還是非常明顯的，如果你覺得不夠明顯，可以把計算量調大，就是代碼中的COUNT值，效果會更加明顯