CPU-bound(計算密集型) 和I/O bound(I/O密集型)

計算密集型任務(CPU-bound) 的特點是要進行大量的計算，占據(jù)著主要的任務，消耗CPU資源，一直處于滿負荷狀態(tài)。比如復雜的加減乘除、計算圓周率、對視頻進行高清解碼等等，全靠CPU的運算能力。這種計算密集型任務雖然也可以用多任務完成，但是任務越多，花在任務切換的時間就越多，CPU執(zhí)行任務的效率就越低，所以，要最高效地利用CPU，計算密集型任務同時進行的數(shù)量應當?shù)扔贑PU的核心數(shù)。

計算密集型任務由于主要消耗CPU資源，因此，代碼運行效率至關重要。Python這樣的腳本語言運行效率很低，完全不適合計算密集型任務。對于計算密集型任務，最好用C語言編寫。

IO密集型任務(I/O bound)的特點是指磁盤IO、網(wǎng)絡IO占主要的任務，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的速度遠遠低于CPU和內(nèi)存的速度）。

IO密集型任務執(zhí)行期間，99%的時間都花在IO上，花在CPU上的時間很少，因此，用運行速度極快的C語言替換用Python這樣運行速度極低的腳本語言，完全無法提升運行效率。

對于IO密集型任務，任務越多，CPU效率越高，但也有一個限度。常見的大部分任務都是IO密集型任務，比如請求網(wǎng)頁、讀寫文件等。當然我們在Python中可以利用sleep達到IO密集型任務的目的。

對于IO密集型任務，最合適的語言就是開發(fā)效率最高（代碼量最少）的語言，腳本語言是首選，C語言最差。

全局鎖問題：

解釋器被一個全局解釋器鎖保護著，它確保任何時候都只有一個Python線程執(zhí)行。

GIL最大的問題就是Python的多線程程序并不能利用多核CPU的優(yōu)勢 （比如一個使用了多個線程的計算密集型程序只會在一個單CPU上面運行）。

GIL只會影響到那些嚴重依賴CPU的程序（比如計算型的）

如果你的程序大部分只會設計到I/O，比如網(wǎng)絡交互，那么使用多線程就很合適， 因為它們大部分時間都在等待。實際上，你完全可以放心的創(chuàng)建幾千個Python線程， 現(xiàn)代操作系統(tǒng)運行這么多線程沒有任何壓力，沒啥可擔心的。

解決方案：

首先，如果你完全工作于Python環(huán)境中，你可以使用 multiprocessing 模塊來創(chuàng)建一個進程池， 并像協(xié)同處理器一樣的使用它。

pool = None

# Performs a large calculation (CPU bound)
def some_work(args):
 ...
 return result

def some_thread():
 while True:
  ...
  r = pool.apply(some_work, (args))
  ...

# Initiaze the pool
if __name__ == '__main__':
 import multiprocessing
 pool = multiprocessing.Pool()

另外一個解決GIL的策略是使用C擴展編程技術。 主要思想是將計算密集型任務轉移給C，跟Python獨立，在工作的時候在C代碼中釋放GIL。

以上這篇淺談Python中的全局鎖(GIL)問題就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論