py 程序與執行緒

多程序和多執行緒，這是實現多工最常用的兩種方式。

首先，要實現多工，通常我們會設計master-worker模式，master負責分配任務，worker負責執行任務，因此，多工環境下，通常是乙個master，多個worker。

如果用多程序實現master-worker，主程序就是master，其他程序就是worker。

如果用多執行緒實現master-worker，主線程就是master，其他執行緒就是worker。

多程序模式最大的優點就是穩定性高，因為乙個子程序崩潰了，不會影響主程序和其他子程序。（當然主程序掛了所有程序就全掛了，但是master程序只負責分配任務，掛掉的概率低）著名的apache最早就是採用多程序模式。

多程序模式的缺點是建立程序的代價大，在unix/linux系統下，用fork呼叫還行，在windows下建立程序開銷巨大。另外，作業系統能同時執行的程序數也是有限的，在記憶體和cpu的限制下，如果有幾千個程序同時執行，作業系統連排程都會成問題。

無論是多程序還是多執行緒，只要數量一多，效率肯定上不去，為什麼呢？

我們打個比方，假設你不幸正在準備中考，每天晚上需要做語文、數學、英語、物理、化學這5科的作業，每項作業耗時1小時。

如果你先花1小時做語文作業，做完了，再花1小時做數學作業，這樣，依次全部做完，一共花5小時，這種方式稱為單任務模型，或者批處理任務模型。

假設你打算切換到多任務模型，可以先做1分鐘語文，再切換到數學作業，做1分鐘，再切換到英語，以此類推，只要切換速度足夠快，這種方式就和單核cpu執行多工是一樣的了，以幼兒園小朋友的眼光來看，你就正在同時寫5科作業。

但是，切換作業是有代價的，比如從語文切到數學，要先收拾桌子上的語文書本、鋼筆（這叫儲存現場），然後，開啟數學課本、找出圓規直尺（這叫準備新環境），才能開始做數學作業。作業系統在切換程序或者執行緒時也是一樣的，它需要先儲存當前執行的現場環境（cpu暫存器狀態、記憶體頁等），然後，把新任務的執行環境準備好（恢復上次的暫存器狀態，切換記憶體頁等），才能開始執行。這個切換過程雖然很快，但是也需要耗費時間。如果有幾千個任務同時進行，作業系統可能就主要忙著切換任務，根本沒有多少時間去執行任務了，這種情況最常見的就是硬碟狂響，點視窗無反應，系統處於假死狀態。

所以，多工一旦多到乙個限度，就會消耗掉系統所有的資源，結果效率急劇下降，所有任務都做不好。

是否採用多工的第二個考慮是任務的型別。我們可以把任務分為計算密集型和io密集型。

計算密集型任務由於主要消耗cpu資源，因此，**執行效率至關重要。python這樣的指令碼語言執行效率很低，完全不適合計算密集型任務。對於計算密集型任務，最好用c語言編寫。

第二種任務的型別是io密集型，涉及到網路、磁碟io的任務都是io密集型任務，這類任務的特點是cpu消耗很少，任務的大部分時間都在等待io操作完成（因為io的速度遠遠低於cpu和記憶體的速度）。對於io密集型任務，任務越多，cpu效率越高，但也有乙個限度。常見的大部分任務都是io密集型任務，比如web應用。

io密集型任務執行期間，99%的時間都花在io上，花在cpu上的時間很少，因此，用執行速度極快的c語言替換用python這樣執行速度極低的指令碼語言，完全無法提公升執行效率。對於io密集型任務，最合適的語言就是開發效率最高（**量最少）的語言，指令碼語言是首選，c語言最差。

考慮到cpu和io之間巨大的速度差異，乙個任務在執行的過程中大部分時間都在等待io操作，單程序單執行緒模型會導致別的任務無法並行執行，因此，我們才需要多程序模型或者多執行緒模型來支援多工併發執行。

現代作業系統對io操作已經做了巨大的改進，最大的特點就是支援非同步io。如果充分利用作業系統提供的非同步io支援，就可以用單程序單執行緒模型來執行多工，這種全新的模型稱為事件驅動模型，nginx就是支援非同步io的web伺服器，它在單核cpu上採用單程序模型就可以高效地支援多工。在多核cpu上，可以執行多個程序（數量與cpu核心數相同），充分利用多核cpu。由於系統總的程序數量十分有限，因此作業系統排程非常高效。用非同步io程式設計模型來實現多工是乙個主要的趨勢。

對應到python語言，單執行緒的非同步程式設計模型稱為協程，有了協程的支援，就可以基於事件驅動編寫高效的多工程式。

py 程序與執行緒

Py中程序與執行緒

程序與執行緒

程序與執行緒

相關推薦