浅谈python中的多线程和多进程
- 2020 年 4 月 7 日
- 筆記
本文以一个简单的例子介绍python中多线程和多进程的差别。
我们在进行生信分析时经常要处理大文件，如果用串行运算往往费时，所以需要并行运算以节省时间。目前，流行的生信工具通常都可以并行运算，比如bwa。通常来讲，我们进行并行运算可以选择多线程或者多进程。那么二者有什么差别呢，我们又该如何选择呢？
不同编程语言中的多线程和多进程实现机制是不一样的，其实我们不关心实现机制，我们关注的是实际的性能。本文以python语言为例，用一个测试脚本来比较python中多线程和多进程的性能区别。我们主要关注运行时间和内存占用情况。
我们知道，python中常用的多线程模块是threading，常用的多进程模块是multiprocessing。我们的测试脚本要解决的是一个运算量比较大的任务，根据是否（并行）运算以及使用哪种并行运算可以分为四种情形：
- 不进行计算
- 串行运算
- 多线程运算
- 多进程运算
得到的结果如下：
从中可以看出，对这个运算任务以及测试脚本而言，与串行运算相比，多线程所用的时间多很多，所占的内存一样；而多进程所用的时间变少（大约是串行运算时间的一半），所占用的内存变大（大约是串行运算的三倍）。
上述结果值得讨论的有两个：
- 为什么python中多线程运算所用的时间比串行运算还多？ 这是因为python中GIL（Global Interpreter Lock）的存在使得对一个进程而言，不管有多少线程，任一时刻，只会有一个线程在执行。对于CPU密集型的线程，由于系统调度等其它时间花销，其效率不仅仅不高，反而有可能比较低[1]。也就是说，python中的多线程运算不能算作真正的并行运算。上面例子中的任务正好是一个CPU密集型任务，所以用多线程运算的时间反倒比串行运算还多。
- 为什么多线程运算占用的内存和串行运算一样，而多进程所用内存比串行运算大很多？ 这是一个正常的结果，是由线程和进程的特点决定的。简单来说，线程会共享所属进程的内存资源，所以不会有额外的内存占用；而子进程会从父进程那里拷贝一份内存资源，所以每多一个子进程，就会多一份内存资源的拷贝，占用的内存就多了，上面的例子中共有两个子进程，所以就会多出来两份内存拷贝，看起来所占用的内存就是串行运算的三倍。（所用的术语只是为了阐述方便而用，可能有不恰当的地方）
综上，由于生信分析大多是CPU密集型（计算密集型）的任务，如果你用python来处理此类任务，多进程并行运算可能更适合。
参考
[1] https://www.cnblogs.com/yssjun/p/11302500.html
所用的测试脚本如下：
#!/usr/bin/python from threading import Thread from multiprocessing import Process import time import sys def test_func(n): for _ in range(n): for i in a: j = i + 1 print j a = [1] * 10000000 # 10M ncore = 2 per_run = 20 total_run = ncore * per_run if __name__ == "__main__": start_time = time.time() if len(sys.argv) < 2: print "Usage: python %s <no-calc | serial | multi-thread | multi-process>" % sys.argv[0] sys.exit(1) cores = None if sys.argv[1] == "no-calc": time.sleep(1) elif sys.argv[1] == "serial": test_func(total_run) elif sys.argv[1] == "multi-thread": cores = [Thread(target = test_func, args=(per_run, )) for _ in range(ncore)] elif sys.argv[1] == "multi-process": cores = [Process(target = test_func, args=(per_run, )) for _ in range(ncore)] else: print "Usage: python %s <no-calc | serial | multi-thread | multi-process>" % sys.argv[0] sys.exit(3) if cores: for cr in cores: cr.start() for cr in cores: cr.join() end_time = time.time() print end_time - start_time
