Python多进程、多线程、协程典型示例解析

一、multiprocessing（多进程）

1. 模块简介

• 作用：创建多个独立运行的进程（每个进程有独立内存空间）
• 适用场景：数学计算、图像处理等CPU密集型任务
• 核心原理：绕过Python的GIL锁，真正利用多核CPU

2. 案例详解：并行计算平方和

import multiprocessing
import time

# 计算平方的任务函数
def calculate_square(number):
    total = 0
    for n in range(number):
        total += n ** 2
    print(f"计算结果：{total}")

if __name__ == "__main__":  # 必须加这句，否则Windows系统会报错
    # 创建4个进程
    processes = []
    numbers = [10_000_000, 10_000_000, 10_000_000, 10_000_000]  # 四个大数
    
    # 记录开始时间
    start_time = time.time()
    
    # 创建并启动进程
    for num in numbers:
        p = multiprocessing.Process(target=calculate_square, args=(num,))
        processes.append(p)
        p.start()  # 启动进程（会立即返回，不会等待完成）
    
    # 等待所有进程完成
    for p in processes:
        p.join()  # 阻塞主进程，直到子进程结束
    
    # 计算总耗时
    print(f"总耗时：{time.time() - start_time:.2f}秒")

3. 实现逻辑

主进程（老板）
   │
   ├─ 子进程1（员工1）→ 独立计算
   ├─ 子进程2（员工2）→ 独立计算
   ├─ 子进程3（员工3）→ 独立计算
   └─ 子进程4（员工4）→ 独立计算

4. 注意事项

• 进程间不能直接共享变量，需使用Queue或Pipe通信
• 每个进程消耗更多内存（独立内存空间）
• 适合处理相互独立的任务（如同时处理多个文件）

---

二、threading（多线程）

1. 模块简介

• 作用：创建多个线程（共享同一进程内存）
• 适用场景：文件读写、网络请求等I/O等待型任务
• 核心特点：受GIL限制，同一时刻只能有一个线程执行Python字节码

2. 案例详解：同时下载文件与显示进度条

import threading
import time
import requests

# 全局变量（线程共享）
download_complete = False

def download_file(url):
    global download_complete
    print("开始下载文件...")
    response = requests.get(url)
    with open("bigfile.iso", "wb") as f:
        f.write(response.content)
    download_complete = True
    print("\n下载完成！")

def show_progress():
    while not download_complete:
        print(".", end="", flush=True)  # 不换行输出点
        time.sleep(0.5)

if __name__ == "__main__":
    # 创建两个线程
    download_thread = threading.Thread(
        target=download_file, 
        args=("https://example.com/large-file.iso",)
    )
    progress_thread = threading.Thread(target=show_progress)
    
    # 启动线程
    download_thread.start()
    progress_thread.start()
    
    # 等待下载线程完成
    download_thread.join()
    progress_thread.join()  # 需要手动停止进度条线程

3. 实现逻辑

主线程
   │
   ├─ 下载线程 → 执行下载（遇到网络等待时，GIL释放）
   └─ 进度条线程 → 打印进度点

4. 注意事项

• 共享变量需使用Lock避免数据竞争
• 线程适合需要频繁共享数据的场景（如GUI程序）
• 不要用多线程做数学计算（反而会更慢）

---

三、asyncio（协程）

1. 模块简介

• 作用：单线程内通过任务切换实现高并发
• 适用场景：Web服务器、高频I/O操作（如爬虫）
• 核心机制：事件循环（Event Loop）驱动协程切换

2. 案例详解：异步批量请求网页

import asyncio
import aiohttp  # 需要安装：pip install aiohttp

async def fetch_page(url):
    async with aiohttp.ClientSession() as session:  # 创建会话
        async with session.get(url) as response:    # 发起请求
            return await response.text()           # 异步等待响应

async def main():
    urls = [
        "https://www.baidu.com",
        "https://www.taobao.com",
        "https://www.jd.com"
    ]
    
    # 创建任务列表
    tasks = [fetch_page(url) for url in urls]
    
    # 并行执行所有任务
    pages = await asyncio.gather(*tasks)  # 关键点：聚集任务
    
    # 输出结果
    for url, content in zip(urls, pages):
        print(f"{url} → 长度：{len(content)}")

# 启动事件循环
asyncio.run(main())  # Python 3.7+

3. 实现逻辑

事件循环（总调度员）
   │
   ├─ 任务1：请求百度 → 遇到等待 → 挂起
   ├─ 任务2：请求淘宝 → 遇到等待 → 挂起
   └─ 任务3：请求京东 → 遇到等待 → 挂起
   
当某个请求返回时，恢复对应任务执行

4. 注意事项

• 协程函数必须用async def定义
• 阻塞操作必须用await（否则会阻塞整个事件循环）
• 需要配合异步库使用（如aiohttp代替requests）

---

三者的核心区别总结

特性	multiprocessing	threading	asyncio
并行能力	真正多核并行	伪并行（受GIL限制）	单线程并发
内存占用	高（独立内存空间）	低（共享内存）	最低
适用场景	CPU密集型任务	I/O密集型任务	超高并发I/O任务
代码复杂度	中等（需处理进程通信）	低（但需处理锁）	高（需理解异步语法）

---

如何选择？

1. 需要数学计算加速 → 选multiprocessing
2. 简单I/O操作（如文件读写） → 选threading
3. 高性能网络请求（如爬虫） → 选asyncio
4. 混合型任务 → 组合使用（如多进程+协程）

通过这三个案例，可以明显看出：多进程像多个独立工厂，多线程像工厂内多个协作工人，协程则像一个人用超高效的时间管理法。理解这个核心差异后，就能根据实际需求选择合适的工具了。