简介

多进程 vs 多线程 CPU密集型用多进程；IO密集型用多线程。

实例1

在科学计算中使用multiprocessing进行多进程并行计算。

前提：多个方法func1，func2，…，funcN是相互独立的，可以并行计算。 当每个func的运行时间都较长时，利用多进程并行计算才会极大提高运行效率。原因：使用多进程本身会有一定的时间开销。

实例代码 注意：通过sleep(t)来模拟控制func运行消耗的时间

def func1(x):
    print(f当前进程:{os.getpid()},计算func1中......)
    time.sleep(5)
    return x**2

def func2(x):
    print(f当前进程:{os.getpid()},计算func2中......)
    time.sleep(5)
    return x**3
    
def test1():
    """单进程计算
    """
    print(方法1：单进程计算)
    print(f当前主进程:{os.getpid()})
    start = time.time()
    a = func1(2)
    b = func2(2)
    c = a + b
    end = time.time()
    t = end - start
    print(c=, c)
    print(f计算完成,共用时:{t:.2f}s)


def test2():
    """利用multiprocessing实现多进程计算
    """
    print(方法2：多进程计算)
    print(f当前主进程:{os.getpid()})
    start = time.time()
    pool = Pool()
    result1 = pool.apply_async(func1, args=(2, ))
    result2 = pool.apply_async(func2, args=(2, ))
    pool.close()
    pool.join()
    a = result1.get()
    b = result2.get()
    c = a + b
    end = time.time()
    t = end - start
    print(c=, c)
    print(f计算完成，共用时:{t:.2f}s)
    
if __name__ == "__main__":
    test1()
    test2()

结果及分析

方法1计算过程中始终在同一个进程；方法2开始的进程与方法1相同，因为都是从main()入口进去的。然后计算func1和func2时，就分别开了两个新进程。符合预期。 多进程计算确实提高了运行效率，时间缩短了近3s； 理论上func1和func2并行计算，需要5s。实际有7s多，说明使用多进程是有一定固定开销的。因此，单个func运行时间越多，多进程计算节省时间也越多。调节sleep时间，可证实这一结论。

方法1：单进程计算
当前主进程:15316
当前进程:15316,计算func1中......
当前进程:15316,计算func2中......
c= 12
计算完成,共用时:10.00s

方法2：多进程计算
当前主进程:15316
当前进程:14996,计算func1中......
当前进程:16708,计算func2中......
c= 12
计算完成，共用时:7.17s