今天我們使用的計算機早已進入多CPU或多核時代，而我們使用的操作系統(tǒng)都是支持“多任務(wù)”的操作系統(tǒng)，這使得我們可以同時運行多個程序，也可以將一個程序分解為若干個相對獨立的子任務(wù)，讓多個子任務(wù)并發(fā)的執(zhí)行，從而縮短程序的執(zhí)行時間，同時也讓用戶獲得更好的體驗。因此在當下不管是用什么編程語言進行開發(fā)，實現(xiàn)讓程序同時執(zhí)行多個任務(wù)也就是常說的“并發(fā)編程”，應(yīng)該是程序員必備技能之一。為此，我們需要先討論兩個概念，一個叫進程，一個叫線程。

概念

進程就是操作系統(tǒng)中執(zhí)行的一個程序，操作系統(tǒng)以進程為單位分配存儲空間，每個進程都有自己的地址空間、數(shù)據(jù)棧以及其他用于跟蹤進程執(zhí)行的輔助數(shù)據(jù)，操作系統(tǒng)管理所有進程的執(zhí)行，為它們合理的分配資源。進程可以通過fork或spawn的方式來創(chuàng)建新的進程來執(zhí)行其他的任務(wù)，不過新的進程也有自己獨立的內(nèi)存空間，因此必須通過進程間通信機制（IPC，Inter-Process Communication）來實現(xiàn)數(shù)據(jù)共享，具體的方式包括管道、信號、套接字、共享內(nèi)存區(qū)等。

一個進程還可以擁有多個并發(fā)的執(zhí)行線索，簡單的說就是擁有多個可以獲得CPU調(diào)度的執(zhí)行單元，這就是所謂的線程。由于線程在同一個進程下，它們可以共享相同的上下文，因此相對于進程而言，線程間的信息共享和通信更加容易。當然在單核CPU系統(tǒng)中，真正的并發(fā)是不可能的，因為在某個時刻能夠獲得CPU的只有唯一的一個線程，多個線程共享了CPU的執(zhí)行時間。使用多線程實現(xiàn)并發(fā)編程為程序帶來的好處是不言而喻的，最主要的體現(xiàn)在提升程序的性能和改善用戶體驗，今天我們使用的軟件幾乎都用到了多線程技術(shù)，這一點可以利用系統(tǒng)自帶的進程監(jiān)控工具（如macOS中的“活動監(jiān)視器”、Windows中的“任務(wù)管理器”）來證實，如下圖所示。

當然多線程也并不是沒有壞處，站在其他進程的角度，多線程的程序?qū)ζ渌绦虿⒉挥押?，因為它占用了更多的CPU執(zhí)行時間，導(dǎo)致其他程序無法獲得足夠的CPU執(zhí)行時間；另一方面，站在開發(fā)者的角度，編寫和調(diào)試多線程的程序都對開發(fā)者有較高的要求，對于初學者來說更加困難。

Python既支持多進程又支持多線程，因此使用Python實現(xiàn)并發(fā)編程主要有3種方式：多進程、多線程、多進程+多線程。

Python中的多進程

Unix和Linux操作系統(tǒng)上提供了fork()系統(tǒng)調(diào)用來創(chuàng)建進程，調(diào)用fork()函數(shù)的是父進程，創(chuàng)建出的是子進程，子進程是父進程的一個拷貝，但是子進程擁有自己的PID。fork()函數(shù)非常特殊它會返回兩次，父進程中可以通過fork()函數(shù)的返回值得到子進程的PID，而子進程中的返回值永遠都是0。Python的os模塊提供了fork()函數(shù)。由于Windows系統(tǒng)沒有fork()調(diào)用，因此要實現(xiàn)跨平臺的多進程編程，可以使用multiprocessing模塊的Process類來創(chuàng)建子進程，而且該模塊還提供了更高級的封裝，例如批量啟動進程的進程池（Pool）、用于進程間通信的隊列（Queue）和管道（Pipe）等。

下面用一個下載文件的例子來說明使用多進程和不使用多進程到底有什么差別，先看看下面的代碼。

from random import randint
from time import time, sleep


def download_task(filename):
 print('開始下載%s...' % filename)
 time_to_download = randint(5, 10)
 sleep(time_to_download)
 print('%s下載完成! 耗費了%d秒' % (filename, time_to_download))


def main():
 start = time()
 download_task('Python從入門到住院.pdf')
 download_task('Peking Hot.avi')
 end = time()
 print('總共耗費了%.2f秒.' % (end - start))


if __name__ == '__main__':
 main()

下面是運行程序得到的一次運行結(jié)果。

開始下載Python從入門到住院.pdf...
Python從入門到住院.pdf下載完成! 耗費了6秒
開始下載Peking Hot.avi...
Peking Hot.avi下載完成! 耗費了7秒
總共耗費了13.01秒.

從上面的例子可以看出，如果程序中的代碼只能按順序一點點的往下執(zhí)行，那么即使執(zhí)行兩個毫不相關(guān)的下載任務(wù)，也需要先等待一個文件下載完成后才能開始下一個下載任務(wù)，很顯然這并不合理也沒有效率。接下來我們使用多進程的方式將兩個下載任務(wù)放到不同的進程中，代碼如下所示。

from multiprocessing import Process
from os import getpid
from random import randint
from time import time, sleep


def download_task(filename):
 print('啟動下載進程，進程號[%d].' % getpid())
 print('開始下載%s...' % filename)
 time_to_download = randint(5, 10)
 sleep(time_to_download)
 print('%s下載完成! 耗費了%d秒' % (filename, time_to_download))


def main():
 start = time()
 p1 = Process(target=download_task, args=('Python從入門到住院.pdf', ))
 p1.start()
 p2 = Process(target=download_task, args=('Peking Hot.avi', ))
 p2.start()
 p1.join()
 p2.join()
 end = time()
 print('總共耗費了%.2f秒.' % (end - start))


if __name__ == '__main__':
 main()

在上面的代碼中，我們通過Process類創(chuàng)建了進程對象，通過target參數(shù)我們傳入一個函數(shù)來表示進程啟動后要執(zhí)行的代碼，后面的args是一個元組，它代表了傳遞給函數(shù)的參數(shù)。Process對象的start方法用來啟動進程，而join方法表示等待進程執(zhí)行結(jié)束。運行上面的代碼可以明顯發(fā)現(xiàn)兩個下載任務(wù)“同時”啟動了，而且程序的執(zhí)行時間將大大縮短，不再是兩個任務(wù)的時間總和。下面是程序的一次執(zhí)行結(jié)果。

啟動下載進程，進程號[1530].
開始下載Python從入門到住院.pdf...
啟動下載進程，進程號[1531].
開始下載Peking Hot.avi...
Peking Hot.avi下載完成! 耗費了7秒
Python從入門到住院.pdf下載完成! 耗費了10秒
總共耗費了10.01秒.

我們也可以使用subprocess模塊中的類和函數(shù)來創(chuàng)建和啟動子進程，然后通過管道來和子進程通信，這些內(nèi)容我們不在此進行講解，有興趣的讀者可以自己了解這些知識。接下來我們將重點放在如何實現(xiàn)兩個進程間的通信。我們啟動兩個進程，一個輸出Ping，一個輸出Pong，兩個進程輸出的Ping和Pong加起來一共10個。聽起來很簡單吧，但是如果這樣寫可是錯的哦。

from multiprocessing import Process
from time import sleep

counter = 0


def sub_task(string):
 global counter
 while counter < 10:
  print(string, end='', flush=True)
  counter += 1
  sleep(0.01)

  
def main():
 Process(target=sub_task, args=('Ping', )).start()
 Process(target=sub_task, args=('Pong', )).start()


if __name__ == '__main__':
 main()

看起來沒毛病，但是最后的結(jié)果是Ping和Pong各輸出了10個，Why？當我們在程序中創(chuàng)建進程的時候，子進程復(fù)制了父進程及其所有的數(shù)據(jù)結(jié)構(gòu)，每個子進程有自己獨立的內(nèi)存空間，這也就意味著兩個子進程中各有一個counter變量，所以結(jié)果也就可想而知了。要解決這個問題比較簡單的辦法是使用multiprocessing模塊中的Queue類，它是可以被多個進程共享的隊列，底層是通過管道和信號量（semaphore）機制來實現(xiàn)的，有興趣的讀者可以自己嘗試一下。

Python中的多線程

在Python早期的版本中就引入了thread模塊（現(xiàn)在名為_thread）來實現(xiàn)多線程編程，然而該模塊過于底層，而且很多功能都沒有提供，因此目前的多線程開發(fā)我們推薦使用threading模塊，該模塊對多線程編程提供了更好的面向?qū)ο蟮姆庋b。我們把剛才下載文件的例子用多線程的方式來實現(xiàn)一遍。

from random import randint
from threading import Thread
from time import time, sleep


def download(filename):
 print('開始下載%s...' % filename)
 time_to_download = randint(5, 10)
 sleep(time_to_download)
 print('%s下載完成! 耗費了%d秒' % (filename, time_to_download))


def main():
 start = time()
 t1 = Thread(target=download, args=('Python從入門到住院.pdf',))
 t1.start()
 t2 = Thread(target=download, args=('Peking Hot.avi',))
 t2.start()
 t1.join()
 t2.join()
 end = time()
 print('總共耗費了%.3f秒' % (end - start))


if __name__ == '__main__':
 main()

我們可以直接使用threading模塊的Thread類來創(chuàng)建線程，但是我們之前講過一個非常重要的概念叫“繼承”，我們可以從已有的類創(chuàng)建新類，因此也可以通過繼承Thread類的方式來創(chuàng)建自定義的線程類，然后再創(chuàng)建線程對象并啟動線程。代碼如下所示。

from random import randint
from threading import Thread
from time import time, sleep


class DownloadTask(Thread):

 def __init__(self, filename):
  super().__init__()
  self._filename = filename

 def run(self):
  print('開始下載%s...' % self._filename)
  time_to_download = randint(5, 10)
  sleep(time_to_download)
  print('%s下載完成! 耗費了%d秒' % (self._filename, time_to_download))


def main():
 start = time()
 t1 = DownloadTask('Python從入門到住院.pdf')
 t1.start()
 t2 = DownloadTask('Peking Hot.avi')
 t2.start()
 t1.join()
 t2.join()
 end = time()
 print('總共耗費了%.2f秒.' % (end - start))


if __name__ == '__main__':
 main()

因為多個線程可以共享進程的內(nèi)存空間，因此要實現(xiàn)多個線程間的通信相對簡單，大家能想到的最直接的辦法就是設(shè)置一個全局變量，多個線程共享這個全局變量即可。但是當多個線程共享同一個變量（我們通常稱之為“資源”）的時候，很有可能產(chǎn)生不可控的結(jié)果從而導(dǎo)致程序失效甚至崩潰。如果一個資源被多個線程競爭使用，那么我們通常稱之為“臨界資源”，對“臨界資源”的訪問需要加上保護，否則資源會處于“混亂”的狀態(tài)。下面的例子演示了100個線程向同一個銀行賬戶轉(zhuǎn)賬（轉(zhuǎn)入1元錢）的場景，在這個例子中，銀行賬戶就是一個臨界資源，在沒有保護的情況下我們很有可能會得到錯誤的結(jié)果。

from time import sleep
from threading import Thread


class Account(object):

 def __init__(self):
  self._balance = 0

 def deposit(self, money):
  # 計算存款后的余額
  new_balance = self._balance + money
  # 模擬受理存款業(yè)務(wù)需要0.01秒的時間
  sleep(0.01)
  # 修改賬戶余額
  self._balance = new_balance

 @property
 def balance(self):
  return self._balance


class AddMoneyThread(Thread):

 def __init__(self, account, money):
  super().__init__()
  self._account = account
  self._money = money

 def run(self):
  self._account.deposit(self._money)


def main():
 account = Account()
 threads = []
 # 創(chuàng)建100個存款的線程向同一個賬戶中存錢
 for _ in range(100):
  t = AddMoneyThread(account, 1)
  threads.append(t)
  t.start()
 # 等所有存款的線程都執(zhí)行完畢
 for t in threads:
  t.join()
 print('賬戶余額為: ￥%d元' % account.balance)


if __name__ == '__main__':
 main()

運行上面的程序，結(jié)果讓人大跌眼鏡，100個線程分別向賬戶中轉(zhuǎn)入1元錢，結(jié)果居然遠遠小于100元。之所以出現(xiàn)這種情況是因為我們沒有對銀行賬戶這個“臨界資源”加以保護，多個線程同時向賬戶中存錢時，會一起執(zhí)行到new_balance = self._balance + money這行代碼，多個線程得到的賬戶余額都是初始狀態(tài)下的0，所以都是0上面做了+1的操作，因此得到了錯誤的結(jié)果。在這種情況下，“鎖”就可以派上用場了。我們可以通過“鎖”來保護“臨界資源”，只有獲得“鎖”的線程才能訪問“臨界資源”，而其他沒有得到“鎖”的線程只能被阻塞起來，直到獲得“鎖”的線程釋放了“鎖”，其他線程才有機會獲得“鎖”，進而訪問被保護的“臨界資源”。下面的代碼演示了如何使用“鎖”來保護對銀行賬戶的操作，從而獲得正確的結(jié)果。

from time import sleep
from threading import Thread, Lock


class Account(object):

 def __init__(self):
  self._balance = 0
  self._lock = Lock()

 def deposit(self, money):
  # 先獲取鎖才能執(zhí)行后續(xù)的代碼
  self._lock.acquire()
  try:
   new_balance = self._balance + money
   sleep(0.01)
   self._balance = new_balance
  finally:
   # 在finally中執(zhí)行釋放鎖的操作保證正常異常鎖都能釋放
   self._lock.release()

 @property
 def balance(self):
  return self._balance


class AddMoneyThread(Thread):

 def __init__(self, account, money):
  super().__init__()
  self._account = account
  self._money = money

 def run(self):
  self._account.deposit(self._money)


def main():
 account = Account()
 threads = []
 for _ in range(100):
  t = AddMoneyThread(account, 1)
  threads.append(t)
  t.start()
 for t in threads:
  t.join()
 print('賬戶余額為: ￥%d元' % account.balance)


if __name__ == '__main__':
 main()

比較遺憾的一件事情是Python的多線程并不能發(fā)揮CPU的多核特性，這一點只要啟動幾個執(zhí)行死循環(huán)的線程就可以得到證實了。之所以如此，是因為Python的解釋器有一個“全局解釋器鎖”（GIL）的東西，任何線程執(zhí)行前必須先獲得GIL鎖，然后每執(zhí)行100條字節(jié)碼，解釋器就自動釋放GIL鎖，讓別的線程有機會執(zhí)行，這是一個歷史遺留問題，但是即便如此，就如我們之前舉的例子，使用多線程在提升執(zhí)行效率和改善用戶體驗方面仍然是有積極意義的。

多進程還是多線程

無論是多進程還是多線程，只要數(shù)量一多，效率肯定上不去，為什么呢？我們打個比方，假設(shè)你不幸正在準備中考，每天晚上需要做語文、數(shù)學、英語、物理、化學這5科的作業(yè)，每項作業(yè)耗時1小時。如果你先花1小時做語文作業(yè)，做完了，再花1小時做數(shù)學作業(yè)，這樣，依次全部做完，一共花5小時，這種方式稱為單任務(wù)模型。如果你打算切換到多任務(wù)模型，可以先做1分鐘語文，再切換到數(shù)學作業(yè)，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(zhí)行多任務(wù)是一樣的了，以旁觀者的角度來看，你就正在同時寫5科作業(yè)。

但是，切換作業(yè)是有代價的，比如從語文切到數(shù)學，要先收拾桌子上的語文書本、鋼筆（這叫保存現(xiàn)場），然后，打開數(shù)學課本、找出圓規(guī)直尺（這叫準備新環(huán)境），才能開始做數(shù)學作業(yè)。操作系統(tǒng)在切換進程或者線程時也是一樣的，它需要先保存當前執(zhí)行的現(xiàn)場環(huán)境（CPU寄存器狀態(tài)、內(nèi)存頁等），然后，把新任務(wù)的執(zhí)行環(huán)境準備好（恢復(fù)上次的寄存器狀態(tài)，切換內(nèi)存頁等），才能開始執(zhí)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(wù)同時進行，操作系統(tǒng)可能就主要忙著切換任務(wù)，根本沒有多少時間去執(zhí)行任務(wù)了，這種情況最常見的就是硬盤狂響，點窗口無反應(yīng)，系統(tǒng)處于假死狀態(tài)。所以，多任務(wù)一旦多到一個限度，反而會使得系統(tǒng)性能急劇下降，最終導(dǎo)致所有任務(wù)都做不好。

是否采用多任務(wù)的第二個考慮是任務(wù)的類型，可以把任務(wù)分為計算密集型和I/O密集型。計算密集型任務(wù)的特點是要進行大量的計算，消耗CPU資源，比如對視頻進行編碼解碼或者格式轉(zhuǎn)換等等，這種任務(wù)全靠CPU的運算能力，雖然也可以用多任務(wù)完成，但是任務(wù)越多，花在任務(wù)切換的時間就越多，CPU執(zhí)行任務(wù)的效率就越低。計算密集型任務(wù)由于主要消耗CPU資源，這類任務(wù)用Python這樣的腳本語言去執(zhí)行效率通常很低，最能勝任這類任務(wù)的是C語言，我們之前提到了Python中有嵌入C/C++代碼的機制。

除了計算密集型任務(wù)，其他的涉及到網(wǎng)絡(luò)、存儲介質(zhì)I/O的任務(wù)都可以視為I/O密集型任務(wù)，這類任務(wù)的特點是CPU消耗很少，任務(wù)的大部分時間都在等待I/O操作完成（因為I/O的速度遠遠低于CPU和內(nèi)存的速度）。對于I/O密集型任務(wù)，如果啟動多任務(wù)，就可以減少I/O等待時間從而讓CPU高效率的運轉(zhuǎn)。有一大類的任務(wù)都屬于I/O密集型任務(wù)，這其中包括了我們很快會涉及到的網(wǎng)絡(luò)應(yīng)用和Web應(yīng)用。

說明： 上面的內(nèi)容和例子來自于廖雪峰官方網(wǎng)站的《Python教程》，因為對作者文中的某些觀點持有不同的看法，對原文的文字描述做了適當?shù)恼{(diào)整。

單線程+異步I/O

現(xiàn)代操作系統(tǒng)對I/O操作的改進中最為重要的就是支持異步I/O。如果充分利用操作系統(tǒng)提供的異步I/O支持，就可以用單進程單線程模型來執(zhí)行多任務(wù)，這種全新的模型稱為事件驅(qū)動模型。Nginx就是支持異步I/O的Web服務(wù)器，它在單核CPU上采用單進程模型就可以高效地支持多任務(wù)。在多核CPU上，可以運行多個進程（數(shù)量與CPU核心數(shù)相同），充分利用多核CPU。用Node.js開發(fā)的服務(wù)器端程序也使用了這種工作模式，這也是當下實現(xiàn)多任務(wù)編程的一種趨勢。

在Python語言中，單線程+異步I/O的編程模型稱為協(xié)程，有了協(xié)程的支持，就可以基于事件驅(qū)動編寫高效的多任務(wù)程序。協(xié)程最大的優(yōu)勢就是極高的執(zhí)行效率，因為子程序切換不是線程切換，而是由程序自身控制，因此，沒有線程切換的開銷。協(xié)程的第二個優(yōu)勢就是不需要多線程的鎖機制，因為只有一個線程，也不存在同時寫變量沖突，在協(xié)程中控制共享資源不用加鎖，只需要判斷狀態(tài)就好了，所以執(zhí)行效率比多線程高很多。如果想要充分利用CPU的多核特性，最簡單的方法是多進程+協(xié)程，既充分利用多核，又充分發(fā)揮協(xié)程的高效率，可獲得極高的性能。關(guān)于這方面的內(nèi)容，我稍后會做一個專題來進行講解。

應(yīng)用案例

例子1：將耗時間的任務(wù)放到線程中以獲得更好的用戶體驗。
如下所示的界面中，有“下載”和“關(guān)于”兩個按鈕，用休眠的方式模擬點擊“下載”按鈕會聯(lián)網(wǎng)下載文件需要耗費10秒的時間，如果不使用“多線程”，我們會發(fā)現(xiàn)，當點擊“下載”按鈕后整個程序的其他部分都被這個耗時間的任務(wù)阻塞而無法執(zhí)行了，這顯然是非常糟糕的用戶體驗，代碼如下所示。

import time
import tkinter
import tkinter.messagebox


def download():
 # 模擬下載任務(wù)需要花費10秒鐘時間
 time.sleep(10)
 tkinter.messagebox.showinfo('提示', '下載完成!')


def show_about():
 tkinter.messagebox.showinfo('關(guān)于', '作者: 駱昊(v1.0)')


def main():
 top = tkinter.Tk()
 top.title('單線程')
 top.geometry('200x150')
 top.wm_attributes('-topmost', True)

 panel = tkinter.Frame(top)
 button1 = tkinter.Button(panel, text='下載', command=download)
 button1.pack(side='left')
 button2 = tkinter.Button(panel, text='關(guān)于', command=show_about)
 button2.pack(side='right')
 panel.pack(side='bottom')

 tkinter.mainloop()


if __name__ == '__main__':
 main()

如果使用多線程將耗時間的任務(wù)放到一個獨立的線程中執(zhí)行，這樣就不會因為執(zhí)行耗時間的任務(wù)而阻塞了主線程，修改后的代碼如下所示。

import time
import tkinter
import tkinter.messagebox
from threading import Thread


def main():

 class DownloadTaskHandler(Thread):

  def run(self):
   time.sleep(10)
   tkinter.messagebox.showinfo('提示', '下載完成!')
   # 啟用下載按鈕
   button1.config(state=tkinter.NORMAL)

 def download():
  # 禁用下載按鈕
  button1.config(state=tkinter.DISABLED)
  # 通過daemon參數(shù)將線程設(shè)置為守護線程(主程序退出就不再保留執(zhí)行)
  # 在線程中處理耗時間的下載任務(wù)
  DownloadTaskHandler(daemon=True).start()

 def show_about():
  tkinter.messagebox.showinfo('關(guān)于', '作者: 駱昊(v1.0)')

 top = tkinter.Tk()
 top.title('單線程')
 top.geometry('200x150')
 top.wm_attributes('-topmost', 1)

 panel = tkinter.Frame(top)
 button1 = tkinter.Button(panel, text='下載', command=download)
 button1.pack(side='left')
 button2 = tkinter.Button(panel, text='關(guān)于', command=show_about)
 button2.pack(side='right')
 panel.pack(side='bottom')

 tkinter.mainloop()


if __name__ == '__main__':
 main()

例子2：使用多進程對復(fù)雜任務(wù)進行“分而治之”。

我們來完成1~100000000求和的計算密集型任務(wù)，這個問題本身非常簡單，有點循環(huán)的知識就能解決，代碼如下所示。

from time import time


def main():
 total = 0
 number_list = [x for x in range(1, 100000001)]
 start = time()
 for number in number_list:
  total += number
 print(total)
 end = time()
 print('Execution time: %.3fs' % (end - start))


if __name__ == '__main__':
 main()

在上面的代碼中，我故意先去創(chuàng)建了一個列表容器然后填入了100000000個數(shù)，這一步其實是比較耗時間的，所以為了公平起見，當我們將這個任務(wù)分解到8個進程中去執(zhí)行的時候，我們暫時也不考慮列表切片操作花費的時間，只是把做運算和合并運算結(jié)果的時間統(tǒng)計出來，代碼如下所示。

from multiprocessing import Process, Queue
from random import randint
from time import time


def task_handler(curr_list, result_queue):
 total = 0
 for number in curr_list:
  total += number
 result_queue.put(total)


def main():
 processes = []
 number_list = [x for x in range(1, 100000001)]
 result_queue = Queue()
 index = 0
 # 啟動8個進程將數(shù)據(jù)切片后進行運算
 for _ in range(8):
  p = Process(target=task_handler,
     args=(number_list[index:index + 12500000], result_queue))
  index += 12500000
  processes.append(p)
  p.start()
 # 開始記錄所有進程執(zhí)行完成花費的時間
 start = time()
 for p in processes:
  p.join()
 # 合并執(zhí)行結(jié)果
 total = 0
 while not result_queue.empty():
  total += result_queue.get()
 print(total)
 end = time()
 print('Execution time: ', (end - start), 's', sep='')


if __name__ == '__main__':
 main()

比較兩段代碼的執(zhí)行結(jié)果（在我目前使用的MacBook上，上面的代碼需要大概6秒左右的時間，而下面的代碼只需要不到1秒的時間，再強調(diào)一次我們只是比較了運算的時間，不考慮列表創(chuàng)建及切片操作花費的時間），使用多進程后由于獲得了更多的CPU執(zhí)行時間以及更好的利用了CPU的多核特性，明顯的減少了程序的執(zhí)行時間，而且計算量越大效果越明顯。當然，如果愿意還可以將多個進程部署在不同的計算機上，做成分布式進程，具體的做法就是通過multiprocessing.managers模塊中提供的管理器將Queue對象通過網(wǎng)絡(luò)共享出來（注冊到網(wǎng)絡(luò)上讓其他計算機可以訪問），這部分內(nèi)容也留到爬蟲的專題再進行講解。