python并行编程，,并行编程的思想：分而

并行编程的思想：分而治之，有两种模型

1.MapReduce:将任务划分为可并行的多个子任务，每个子任务完成后合并得到结果

例子：统计不同形状的个数。

先通过map进行映射到多个子任务，分别统计个数，然后在用reduce进行归纳一下。

2.流水：将任务分为串行的多个子任务，每个子任务并行。ProductConsume

例子：

多个生产者进行并行，多个消费者进行并行。生产者生产出来东西放到队列里；队列里有东西时，消费者就可以进行消费，这样双方没有太大的依赖关系。

为什么要并行编程呢？

多核，云计算，使得实现并行编程的条件更容易满足。

大数据（导致数据多），机器学习（复杂），高并发，使得并行编程很必要。

为什么很少用呢？

任务分割，共享数据的访问，死锁，互斥，信号量，利用管道，队列通信。线程，进程的管理。

这些概念使得并行编程的实现看上去很难

怎么学并行编程？

库：　　Threading,实现多线程

　　　　Multiprocess,实现多进程

　　　　Parallepython,实现分布式计算，同时解决CPU和网络资源受限问题。

　　　　Celery+RabbitMQ/Redis，可实现分布式任务队列 Django和它搭配可实现异步任务队列

　　　　Gevent，可实现高效异步IO，协成

2.进程和线程

CPU同一时刻只能调度一个进程，进程之间memory独立，进程内线程共享memory。

我们主要解决的问题是：

进程间通信问题；

线程间同步问题

例子：计算10000000000自减到0，然后用多进程和多线程计算，看看他们用时多久

# -*- coding: utf-8 -*-# CopyRight by heibankeimport timefrom threading import Threadfrom multiprocessing import Processdef countdown(n):    while n > 0:        n -= 1                COUNT = 100000000 # 1亿def thread_process_job(n, Thread_Process, job):    """    n: 多线程或多进程数    Thread_Process: Thread／Process类     job: countdown任务    """    local_time=time.time()    #实例化多线程或多进程    threads_or_processes = [Thread_Process(target=job,args=(COUNT//n,)) for i in xrange(n)]#学习这种写法，很高大上，把不同的类放到列表里边    #threads_or_processes中保存了三个Thread_process个对象        for t in threads_or_processes:        t.start() #开始线程或进程，必须调用    for t in threads_or_processes:        t.join() #等待直到该线程或进程结束        #join的作用是阻塞进程，直到所有的线程执行完毕之后，才可以执行后边的语句        print n,Thread_Process.__name__," run job need ",time.time()-local_time    if __name__=="__main__":    print "Multi Threads"    for i in [1,2,4]:        thread_process_job(i,Thread, countdown)            print "Multi Process"    for i in [1,2,4]:        thread_process_job(i,Process, countdown)        

输出结果：

从结果中看出来，多线程时，随着线程的增多，时间反而更多；多进程随着进程的增多，时间变少。原因是python的GIL机制

GIL

当有多个线程的时候，并不是真的是并行运行的，实际上有一个锁，谁申请到了谁运行

在python的原始解释器CPython中存在着GIL（Global Interpreter Lock，全局解释器锁），因此在解释执行python代码时，会产生互斥锁来限制线程对共享资源的访问，直到解释器遇到I/O操作或者操作次数达到一定数目时才会释放GIL。

所以，虽然CPython的线程库直接封装了系统的原生线程，但CPython整体作为一个进程，同一时间只会有一个获得GIL的线程在跑，其他线程则处于等待状态。这就造成了即使在多核CPU中，多线程也只是做着分时切换而已。

所以它更适合处理I/O密集型的任务，不适合处理CPU密集型的任务。

不过muiltprocessing的出现，已经可以让多进程的python代码编写简化到了类似多线程的程度了。(链接：https://www.zhihu.com/question/23474039/answer/35418893)

这是两个线程在运行，并不是并行，而是串行，红色的线表示在申请cpu

四个线程在运行

进程可以快，而线程反而慢的原因是，我的电脑有多个核，进程可以进行并行的，而线程在python里边还是串行的，申请cpu也需要花费时间的

python并行编程