用於多線程和多處理的python技術：提高您的應用程序性能

>探索我的亞馬遜作者頁面以獲取各種各樣的書籍。 在Medium上關注我以獲取更多見解和更新！非常感謝您的支持。

>解鎖Python的多執行緒和多處理功能的功能，以顯著提高應用程式的速度和效率。本指南揭示了有效利用這些功能的八種基本技術。

> 透過I/O結合操作

螺紋出色。 Python'sthreading模組提供了用於執行緒管理的使用者友善介面。 這是同時下載多個檔案的方法：

import threading
import requests

def download_file(url):
    response = requests.get(url)
    filename = url.split('/')[-1]
    with open(filename, 'wb') as f:
        f.write(response.content)
    print(f"Downloaded {filename}")

urls = ['http://example.com/file1.txt', 'http://example.com/file2.txt', 'http://example.com/file3.txt']

threads = []
for url in urls:
    thread = threading.Thread(target=download_file, args=(url,))
    threads.append(thread)
    thread.start()

for thread in threads:
    thread.join()

print("All downloads complete")

此程式碼將每個下載分配給單獨的線程，啟用同時執行。

對於結合CPU的任務，由於Python的全局解釋器鎖（GIL），此模組是優越的。 多處理創建獨立的過程，每個過程都有自己的記憶體空間和GIL，避免了GIL的限制。 這是一個並行計算的範例：

multiprocessing

這利用過程池有效地分佈計算。

import multiprocessing

def calculate_square(number):
    return number * number

if __name__ == '__main__':
    numbers = range(10)

    with multiprocessing.Pool() as pool:
        results = pool.map(calculate_square, numbers)

    print(results)

>

模組為非同步任務執行提供了更高層級的抽象，並與執行緒和流程無縫地工作。 這是一個使用

>的範例：concurrent.futures ThreadPoolExecutor

這將建立一個執行緒池來管理五個工人任務。

from concurrent.futures import ThreadPoolExecutor
import time

def worker(n):
    print(f"Worker {n} starting")
    time.sleep(2)
    print(f"Worker {n} finished")

with ThreadPoolExecutor(max_workers=3) as executor:
    executor.map(worker, range(5))

print("All workers complete")

對於非同步I/O，

模組發光，可以透過coroutines啟用有效的非同步程式設計。這是一個範例：

asyncio

這個有效地從多個URL同時獲取內容。

import asyncio
import aiohttp

async def fetch_url(url):
    async with aiohttp.ClientSession() as session:
        async with session.get(url) as response:
            return await response.text()

async def main():
    urls = ['http://example.com', 'http://example.org', 'http://example.net']
    tasks = [fetch_url(url) for url in urls]
    results = await asyncio.gather(*tasks)
    for url, result in zip(urls, results):
        print(f"Content length of {url}: {len(result)}")

asyncio.run(main())

> 過程之間的資料共享需要特定的工具。 此模組提供了類似共享記憶體的機制：>

這顯示了跨多個過程的安全計數器增量。

> 當多個執行緒存取共享資源時，執行緒同步可以防止種族條件。 Python提供的同步原始素，例如multiprocessing：> Value

此範例使用鎖定來確保原子計數器增量。

from multiprocessing import Process, Value
import time

def increment(counter):
    for _ in range(100):
        with counter.get_lock():
            counter.value += 1
        time.sleep(0.01)

if __name__ == '__main__':
    counter = Value('i', 0)
    processes = [Process(target=increment, args=(counter,)) for _ in range(4)]

    for p in processes:
        p.start()

    for p in processes:
        p.join()

    print(f"Final counter value: {counter.value}")

>

是CPU結合任務的理想選擇。 這是一個找出質數的範例：

Lock

這將分佈質數跨多個過程。

import threading

class Counter:
    def __init__(self):
        self.count = 0
        self.lock = threading.Lock()

    def increment(self):
        with self.lock:
            self.count += 1

def worker(counter, num_increments):
    for _ in range(num_increments):
        counter.increment()

counter = Counter()
threads = []
for _ in range(5):
    thread = threading.Thread(target=worker, args=(counter, 100000))
    threads.append(thread)
    thread.start()

for thread in threads:
    thread.join()

print(f"Final count: {counter.count}")

>

在多執行緒和多處理之間進行選擇取決於任務。 I/O 密集型任務受益於多線程，而 CPU 密集型任務通常需要多處理才能實現真正的並行性。 負載平衡和任務依賴性是平行處理的關鍵考慮因素。 處理共享資源時，適當的同步機制至關重要。 效能比較因任務和系統而異。 在數據處理和科學計算中，多重處理非常有效。 對於 Web 應用程序，asyncio 提供了並發連接的高效處理。 Python 多樣化的平行處理工具使開發人員能夠創建高效能應用程式。

---

101本書

101 Books 是一家由人工智慧驅動的出版社，由作家Aarav Joshi 共同創立，提供價格實惠、高品質的書籍— 有些價格低至 4 美元.

在亞馬遜上探索我們的Golang Clean Code書籍。 搜尋 Aarav Joshi 尋找更多書籍和特別折扣！

我們的其他項目

探索我們的其他項目：投資者中心（英語、西班牙語、德語）、智能生活、時代與迴響、令人費解的奧秘、印度教、菁英Dev 和JS 學校。

---

在 Medium 上追蹤我們

透過 Medium 與我們聯絡：Tech Koala Insights、Epochs & Echoes World、Investor Central Medium、Puzzling Mystersteries Medium、🎜> 科學與時代媒介，以及現代印度教。

以上是用於多線程和多處理的python技術：提高您的應用程序性能的詳細內容。更多資訊請關注PHP中文網其他相關文章！