在介绍python并发编程前先介绍下并行与并发得概念

并发：指一个处理器同时处理多个任务，例如一共两个任务，看电视和学习，你在一边学习一边看电视，大概是学习一会儿看一会电视的状态

并行：指多个处理器或者是多核的处理器同时处理多个不同的任务，例如一共两个任务，玩手机和学习，你负责玩手机，学霸负责学习，这是对任务的并行处理

并发是逻辑上的同时发生（simultaneous），而并行是物理上的同时发生。

上面的例子举得不好，看起来并发并不能提高任务的效率，其实不是这样的，具体情况是看电视时碰到了广告，你去学习，而不是等待广告结束，这样时间就被利用起来了，也就是在一个任务遇到了瓶颈先去做另一个任务，而不是原地等待

python并发编程也大概是这个意思，在程序中有线程和进程两个概念，程序运行的效率也可以多线程和多进程两个方面去提升

进程：是并发执行的程序在执行过程中分配和管理资源的基本单位，是一个动态概念，竞争计算机系统资源的基本单位。

线程：是进程的一个执行单元，是进程内科调度实体。比进程更小的独立运行的基本单位。线程也被称为轻量级进程。

进程与线程的区别：

• 地址空间：线程共享本进程的地址空间，而进程之间是独立的地址空间。

• 资源：线程共享本进程的资源如内存、I/O、cpu等，不利于资源的管理和保护，而进程之间的资源是独立的，能很好的进行资源管理和保护。

• 健壮性：多进程要比多线程健壮，一个进程崩溃后，在保护模式下不会对其他进程产生影响，但是一个线程崩溃整个进程都死掉。

• 执行过程：每个独立的进程有一个程序运行的入口、顺序执行序列和程序入口，执行开销大。但是线程不能独立执行，必须依存在应用程序中，由应用程序提供多个线程执行控制，执行开销小。

• 切换时：进程切换时，消耗的资源大，效率高。所以涉及到频繁的切换时，使用线程要好于进程。同样如果要求同时进行并且又要共享某些变量的并发操作，只能用线程不能用进程。

从上面的区别可以搞清楚什么时候要用多线程什么时候用多进程

但python还有一个特性，就是python的GIL锁，锁在很多编程语言中都有出现，前面提到了线程会共享本进程的资源，因为在并发编程中会对多个线程会对同一个资源进行操作，这时会出现线程安全问题，锁就是用来解决这个问题的，类似于数据库中的脏数据，而python的GIL锁在任意时刻只允许一个 Python 进程使用 Python 解释器。也就是任意时刻，Python 只有一个线程在运行。

看到这里很多人会感到疑惑，如果在任意时刻，Python 只有一个线程在运行，那多线程不就没有什么意义了

其实不是这样的，准确的说，由于GIL的机制，单核CPU在同一时刻只有一个线程在运行。但当线程遇到IO操作或Timer Tick到期，释放GIL锁，那么Time Tick到期是什么呢？Time Tick规定了线程的最长执行时间，超过时间后自动释放GIL锁。

所以在某些场景下，python多线程对程序性能还是有很大提升的

程序的瓶颈一般是计算和IO等耗时操作，所以可以把任务分为计算密集型和IO密集型。

计算密集型：一般是指服务器的硬盘、内存硬件性能相对CPU好很多，或者使用率低很多。系统运行CPU读写I/O(硬盘/内存)时可以在很短的时间内完成，几乎没有阻塞（等待I/O的实时间）时间，而CPU一直有大量运算要处理，因此CPU负载长期过高。

IO密集型：一般是指服务器CPU的性能相对硬盘、内存硬件好很多，或者使用率低很多。系统运行多是CPU在等I/O (硬盘/内存) 的读写操作，此类情景下CPU负载并不高。

总结，由于python的GIL锁，如果程序是计算密集型，使用多线程是对代码不会有太大帮助的，而应该使用多进程，如果程序是IO密集型，那么优先使用多线程，因为多进程的资源开销更大

如下经典示例代码，此代码的瓶颈主要在计算而非IO

未使用多线程、多进程

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)

耗时

Time taken in seconds - 2.205103874206543

使用多线程

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)

耗时

Time taken in seconds - 2.226524829864502

可以看到，性能基本没有提升，还慢了一点点，考虑到误差，两者性能基本一样

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)

耗时

 Time taken in seconds - 1.4109129905700684

可以看到多进程对与计算密集型程序性能提升还是非常明显的，如果你觉得不够明显，可以把计算量调大，就是代码中的COUNT值，效果会更加明显