并发和并行 | Python中实现多线程 threading 和多进程 multiprocessing

昨天晚上组会轮到我汇报技术内容，最近正在和 ray 以及 spark 打交道，索性讲一下并发和并行。反正大家都是管理学院的，平时很少接触这种，因此这个选题不大可能因为内容基础而贻笑大方。

本文摆一摆并发和并行。附上很简单的 Python 代码，涉及到自带库 threading^[1] 和 multiprocessing^[2] 的使用。

并发和并行

咱们简单用多线程对应并发，多进程对应并行。多线程并发更强调充分利用性能；多进程并行更强调提升性能上限。

我用非常简单且不那么严谨的比喻来说明。

多线程

一个 CPU 相当于一个学生。

一个学生一周开一次组会，换句话说一周给老师汇报一次工作。

老师一般会给学生同时布置几个任务，比如做比赛、做项目、读论文，学生可能周一做做比赛、周二读读论文、周三做做项目... 到了组会，他就把三件事都拿出来汇报，老师很欣慰，因为在老师的视角里：学生这三件事是同时在做的。

多线程也是同一个道理，假设你的手机只有一块单核 CPU 。你的 CPU 这 0.01 秒用来播放音乐，下 0.01 秒用来解析网页... 在你的视角里：播放音乐和解析网页是同时进行的。你大可以畅快地边听音乐边网上冲浪

何谓充分利用性能？ 如果这学生只有一项工作，那他这一周可能只需要花费两天来做任务，剩下时间摸鱼（针不搓，三点钟饮茶先！）。因此，我们用「多线程」来让学生实现『并发』，充分利用学生能力。

在实际情况中，多线程、高并发这些词语更多地出现在服务端程序里。比如一个网络连接由一个线程负责，一块 CPU 可以负责处理多个异步的请求，大大提升了 CPU 利用率。

多进程

多个 CPU （ CPU 的多核）相当于多个学生。

一个任务可以拆成几个任务相互协作、同时进行，则是多进程。

比如研究生课程，老师非得留个论文作业，都研究生了我去，留啥大作业。

那咱就多线程并行搞呗。确定了大概思路，剩下的一股脑写就行。咱队伍里一共甲乙丙丁四名同学，那就：

• 甲同学负责 Introduction
• 乙同学负责 Background
• 丙同学负责 Related Works
• 丁同学负责 Methodology

这是乙同学提出异议：不应该是先完成 Introduction 再写 Background ，一个个来嘛？

大哥，都研究生了嗷，作业糊弄糊弄差不多得了啊。让你写你就写。

可以预知，上述四部分同时进行，怎么也比一个人写四块要快。

所以说 多进程并行提升性能上限 。

在实际情况中，多进程更多地与高性能计算、分布式计算联系在一起。

Python 实现

首先声明咱的实验环境。

> python --version
Python 3.8.5

咱们设置个任务：求数的欧拉函数值。

def euler_func(n: int) -> int:
    res = n
    i = 2
    while i <= n // i:
        if n % i == 0:
            res = res // i * (i - 1)
            while (n % i == 0): n = n // i
        i += 1
    if n > 1:
        res = res // n * (n - 1)
    return res

求一个数的欧拉函数值可能很快，但是一堆数呢？

所以咱想着用并行完成这个任务。

咱们把任务分成三份。

task1 = list(range(2, 50000, 3))  # 2, 5, ...
task2 = list(range(3, 50000, 3))  # 3, 6, ...
task3 = list(range(4, 50000, 3))  # 4, 7, ...

def job(task: List):
    for t in task:
        euler_func(t)

来看看平平无奇的正常串行。

@timer
def normal():
    job(task1)
    job(task2)
    job(task3)

完成了 task1 再完成 task2 ... 行，没毛病。

看看多线程？

import threading as th

@timer
def mutlthread():
    th1 = th.Thread(target=job, args=(task1, ))
    th2 = th.Thread(target=job, args=(task2, ))
    th3 = th.Thread(target=job, args=(task3, ))

    th1.start()
    th2.start()
    th3.start()

    th1.join()
    th2.join()
    th3.join()

再看看多进程？

import multiprocessing as mp

@timer
def multcore():
    p1 = mp.Process(target=job, args=(task1, ))
    p2 = mp.Process(target=job, args=(task2, ))
    p3 = mp.Process(target=job, args=(task3, ))

    p1.start()
    p2.start()
    p3.start()

    p1.join()
    p2.join()
    p3.join()

上述代码的逻辑是这样的：

• 我创建线程/进程，其生来的目的就是完成任务job(task1)或job(task2)、job(task3)，注意这里函数名和参数被分开了target=job, args=(task1, )
• 然后 start() ，告诉线程/进程：你可以开始干活了
• 他们自己干自己的，咱们程序主逻辑还得继续往下运行
• 到 join() 这里，咱们是指让线程/进程阻塞住咱的主逻辑，比如p1.join()是指：p1不干完活，我主逻辑不往下进行（属于是「阻塞」）
• 这样，我们的函数multcore结束后，一定其中的线程/进程任务都完成了

咱看看结果：

if __name__ == '__main__':

    print("同步串行：")
    normal()

    print("多线程并发：")
    mutlthread()

    print("多进程并行：")
    multcore()

# 下面是结果
同步串行：
timer: using 0.24116 s
多线程并发：
timer: using 0.24688 s
多进程并行：
timer: using 0.13791 s

结果不太对，按理说，多进程并行的耗时应该是同步串行的三分之一，毕竟三个同等体量的任务在同时进行。

多线程并发比同步串行慢是应该的，因为多线程并发和同步串行的算力是一样的，但是多线程并发得在各个任务间来回切换，导致更慢。

你问 @timer 是什么意思？哦，这个是我写的修饰器，如下。

def timer(func):
    @wraps(func)
    def inner_func():
        t = time.time()
        rts = func()
        print(f"timer: using {time.time() - t :.5f} s")
        return rts
    return inner_func

参考资料