一、多线程与多进程的对比
在python 进程、线程 (一)中简单的说过，CPython中的GIL使得同一时刻只能有一个线程运行，即并发执行。并且即使是多核CPU，GIL使得同一个进程中的多个线程也无法映射到多个CPU上运行，这么做最初是为了安全着想，慢慢的也成为了限制CPython性能的问题。
就像是一个线程想要执行，就必须得到GIL，否则就不能拿到CPU资源。但是也不是说一个线程在拿到CPU资源后就一劳永逸，在执行的过程中GIL可能会释放并被其他线程获取，所以说其它的线程会与本线程竞争CPU资源。
在understand GIL：http://www.dabeaz.com/python/UnderstandingGIL.pdf中有关于GIL释放和GIL的概要。
多线程在python2中：当一个线程进行I/O的时候会释放锁，另外当ticks计数达到100（ticks可以看作是Python自身的一个计数器，也可对比着字节码指令理解，专门做用于GIL，每次释放后归零，这个计数可以通过 sys.setcheckinterval 来调整)。锁释放之后，就涉及到线程的调度，线程的锁进行，线程的切换。这是会消耗CPU资源，因此会造成程序性能问题和等待时延。特别是在CPU密集型代码时。
但是对于多进程，GIL就无法限制，多个进程可以再多个CPU上运行，充分利用多核优势。事情往往是相对的，虽然可以充分利用多核优势，但是进程之间的切换却比线程的切换代价更高。
所以选择多线程还是多进程，主要还是看怎样权衡代价，什么样的情况。
1、CPU密集代码
下面来利用斐波那契数列模拟CPU密集运算。
def fib(n): # 求斐波那契数列的第n个值 if n<=2: return 1 return fib(n-1)+fib(n-2)
<1>、多进程
打印第25到35个斐波那契数，并计算程序运行时间
import timefrom concurrent.futures import ThreadPoolExecutor, as_completedfrom concurrent.futures import ProcessPoolExecutordef fib(n):
if n<=2: return 1
return fib(n-1)+fib(n-2)if __name__ == "__main__": with ProcessPoolExecutor(3) as executor: # 使用进程池控制 每次执行3个进程
all_task = [executor.submit(fib, (num)) for num in range(25,35)]
start_time = time.time() for future in as_completed(all_task):
data = future.result()
print("exe result: {}".format(data))
print("last time is: {}".format(time.time()-start_time))# 输出exe result: 75025exe result: 121393exe result: 196418exe result: 317811exe result: 514229exe result: 832040exe result: 1346269exe result: 2178309exe result: 3524578exe result: 5702887last time is: 4.457437038421631输出结果，每次打印三个exe result，总重打印十个结果，多进程运行时间为4.45秒
<2>、多线程
import timefrom concurrent.futures import ThreadPoolExecutor, as_completedfrom concurrent.futures import ProcessPoolExecutordef fib(n):
if n<=2: return 1
return fib(n-1)+fib(n-2)if __name__ == "__main__": with ThreadPoolExecutor(3) as executor: # 使用线程池控制 每次执行3个线程
all_task = [executor.submit(fib, (num)) for num in range(25,35)]
start_time = time.time() for future in as_completed(all_task):
data = future.result()
print("exe result: {}".format(data))
print("last time is: {}".format(time.time()-start_time))# 输出exe result: 121393exe result: 75025exe result: 196418exe result: 317811exe result: 514229exe result: 832040exe result: 1346269exe result: 2178309exe result: 3524578exe result: 5702887last time is: 7.3467772006988525最终程序运行时间为7.34秒
程序的执行之间与计算机的性能有关，每天计算机的执行时间都会有差异。从上述结果中看显然多线程比多进程要耗费时间。这就是因为对于密集代码(密集运算，循环语句等)，tick计数很快达到100，GIL来回的释放竞争，线程之间频繁切换，所以对于密集代码的执行中，多线程性能不如对进程。
2、I/O密集代码
一个线程在I/O阻塞的时候，会释放GIL，挂起，然后其他的线程会竞争CPU资源，涉及到线程的切换，但是这种代价与较高时延的I/O来说是不足为道的。
下面用sleep函数模拟密集I/O
def random_sleep(n): time.sleep(n) return n
<1>、 多进程
def random_sleep(n): time.sleep(n) return nif __name__ == "__main__":
with ProcessPoolExecutor(5) as executor:
all_task = [executor.submit(random_sleep, (num)) for num in [2]*30]
start_time = time.time() for future in as_completed(all_task):
data = future.result() print("exe result: {}".format(data)) print("last time is: {}".format(time.time()-start_time))
# 输出
exe result: 2exe result: 2......（30个）
exe result: 2exe result: 2last time is: 12.412866353988647每次打印5个结果，总共二十个打印结果，多进程运行时间为12.41秒
<2>、多线程
def random_sleep(n): time.sleep(n) return nif __name__ == "__main__":
with ThreadPoolExecutor(5) as executor:
all_task = [executor.submit(random_sleep, (num)) for num in [2]*30]
start_time = time.time() for future in as_completed(all_task):
data = future.result() print("exe result: {}".format(data)) print("last time is: {}".format(time.time()-start_time))
# 输出
exe result: 2exe result: 2......（30个）
exe result: 2exe result: 2last time is: 12.004231214523315I/O密集多线程情况下，程序的性能较多进程有了略微的提高。IO密集型代码(文件处理、网络爬虫等)，多线程能够有效提升效率(单线程下有IO操作会进行IO等待，造成不必要的时间浪费，而开启多线程能在线程A等待时，自动切换到线程B，可以不浪费CPU的资源，从而能提升程序执行效率)。所以python的多线程对IO密集型代码比较友好。
3、总结
CPU密集型代码(各种循环处理、计数等等)，多线程性能不如多进程。
I/O密集型代码(文件处理、网络爬虫等)，多进程不如多线程。