本文從操作系統(tǒng)原理出發(fā)結合代碼實踐講解了以下內容：

• 什么是進程，線程和協程？

• 它們之間的關系是什么？

• 為什么說Python中的多線程是偽多線程？

• 不同的應用場景該如何選擇技術方案？

• ...

什么是進程

進程-操作系統(tǒng)提供的抽象概念，是系統(tǒng)進行資源分配和調度的基本單位，是操作系統(tǒng)結構的基礎。程序是指令、數據及其組織形式的描述，進程是程序的實體。程序本身是沒有生命周期的，它只是存在磁盤上的一些指令，程序一旦運行就是進程。

當程序需要運行時，操作系統(tǒng)將代碼和所有靜態(tài)數據記載到內存和進程的地址空間（每個進程都擁有唯一的地址空間）中，通過創(chuàng)建和初始化棧（局部變量，函數參數和返回地址)、分配堆內存以及與IO相關的任務，當前期準備工作完成，啟動程序，OS將CPU的控制權轉移到新創(chuàng)建的進程，進程開始運行。

操作系統(tǒng)對進程的控制和管理通過PCB（Processing Control Block），PCB通常是系統(tǒng)內存占用區(qū)中的一個連續(xù)存區(qū)，它存放著操作系統(tǒng)用于描述進程情況及控制進程運行所需的全部信息（進程標識號,進程狀態(tài),進程優(yōu)先級,文件系統(tǒng)指針以及各個寄存器的內容等），進程的PCB是系統(tǒng)感知進程的唯一實體。

一個進程至少具有5種基本狀態(tài)：初始態(tài)、執(zhí)行狀態(tài)、等待（阻塞）狀態(tài)、就緒狀態(tài)、終止狀態(tài)

• 初始狀態(tài)：進程剛被創(chuàng)建，由于其他進程正占有CPU所以得不到執(zhí)行，只能處于初始狀態(tài)。

• 執(zhí)行狀態(tài)：任意時刻處于執(zhí)行狀態(tài)的進程只能有一個。

• 就緒狀態(tài)：只有處于就緒狀態(tài)的經過調度才能到執(zhí)行狀態(tài)

• 等待狀態(tài)：進程等待某件事件完成

• 停止狀態(tài)：進程結束

進程間的切換

無論是在多核還是單核系統(tǒng)中，一個CPU看上去都像是在并發(fā)的執(zhí)行多個進程，這是通過處理器在進程間切換來實現的。

操作系統(tǒng)對把CPU控制權在不同進程之間交換執(zhí)行的機制成為上下文切換（context switch），即保存當前進程的上下文，恢復新進程的上下文，然后將CPU控制權轉移到新進程，新進程就會從上次停止的地方開始。因此，進程是輪流使用CPU的，CPU被若干進程共享，使用某種調度算法來決定何時停止一個進程，并轉而為另一個進程提供服務。

• 單核CPU雙進程的情況 

進程直接特定的機制和遇到I/O中斷的情況下，進行上下文切換，輪流使用CPU資源

• 雙核CPU雙進程的情況 

每一個進程獨占一個CPU核心資源，在處理I/O請求的時候，CPU處于阻塞狀態(tài)

進程間數據共享

系統(tǒng)中的進程與其他進程共享CPU和主存資源，為了更好的管理主存，現在系統(tǒng)提供了一種對主存的抽象概念，即為虛擬存儲器（VM）。它是一個抽象的概念，它為每一個進程提供了一個假象，即每個進程都在獨占地使用主存。

虛擬存儲器主要提供了三個能力：

• 將主存看成是一個存儲在磁盤上的高速緩存，在主存中只保存活動區(qū)域，并根據需要在磁盤和主存之間來回傳送數據，通過這種方式，更高效地使用主存

• 為每個進程提供了一致的地址空間，從而簡化了存儲器管理

• 保護了每個進程的地址空間不被其他進程破壞

由于進程擁有自己獨占的虛擬地址空間，CPU通過地址翻譯將虛擬地址轉換成真實的物理地址，每個進程只能訪問自己的地址空間。因此，在沒有其他機制（進程間通信）的輔助下，進程之間是無法共享數據的

• 以python中multiprocessing為例

import multiprocessingimport threadingimport time n = 0  def count(num): global n for i in range(100000): n += i print("Process {0}:n={1},id(n)={2}".format(num, n, id(n)))  if __name__ == '__main__': start_time = time.time()  process = list() for i in range(5): p = multiprocessing.Process(target=count, args=(i,)) # 測試多進程使用 # p = threading.Thread(target=count, args=(i,)) # 測試多線程使用 process.append(p)  for p in process: p.start()  for p in process: p.join()  print("Main:n={0},id(n)={1}".format(n, id(n))) end_time = time.time() print("Total time:{0}".format(end_time - start_time))

• 結果

Process 1:n=4999950000,id(n)=139854202072440Process 0:n=4999950000,id(n)=139854329146064Process 2:n=4999950000,id(n)=139854202072400Process 4:n=4999950000,id(n)=139854201618960Process 3:n=4999950000,id(n)=139854202069320Main:n=0,id(n)=9462720Total time:0.03138256072998047

變量n在進程p{0,1,2,3,4}和主進程（main）中均擁有唯一的地址空間

什么是線程

線程-也是操作系統(tǒng)提供的抽象概念，是程序執(zhí)行中一個單一的順序控制流程，是程序執(zhí)行流的最小單元，是處理器調度和分派的基本單位。一個進程可以有一個或多個線程，同一進程中的多個線程將共享該進程中的全部系統(tǒng)資源，如虛擬地址空間，文件描述符和信號處理等等。但同一進程中的多個線程有各自的調用棧和線程本地存儲。

系統(tǒng)利用PCB來完成對進程的控制和管理。同樣，系統(tǒng)為線程分配一個線程控制塊TCB（Thread Control Block）,將所有用于控制和管理線程的信息記錄在線程的控制塊中，TCB中通常包括：

• 線程標志符

• 一組寄存器

• 線程運行狀態(tài)

• 優(yōu)先級

• 線程專有存儲區(qū)

• 信號屏蔽

和進程一樣，線程同樣有五種狀態(tài)：初始態(tài)、執(zhí)行狀態(tài)、等待（阻塞）狀態(tài)、就緒狀態(tài)和終止狀態(tài),線程之間的切換和進程一樣也需要上下文切換，這里不再贅述。

進程和線程之間有許多相似的地方，那它們之間到底有什么區(qū)別呢？

進程 VS 線程

• 進程是資源的分配和調度的獨立單元。進程擁有完整的虛擬地址空間，當發(fā)生進程切換時，不同的進程擁有不同的虛擬地址空間。而同一進程的多個線程是可以共享同一地址空間

• 線程是CPU調度的基本單元，一個進程包含若干線程。

• 線程比進程小，基本上不擁有系統(tǒng)資源。線程的創(chuàng)建和銷毀所需要的時間比進程小很多

• 由于線程之間能夠共享地址空間，因此，需要考慮同步和互斥操作

• 一個線程的意外終止會影像整個進程的正常運行，但是一個進程的意外終止不會影像其他的進程的運行。因此，多進程程序安全性更高。

總之，多進程程序安全性高，進程切換開銷大，效率低；多線程程序維護成本高，線程切換開銷小，效率高。（python的多線程是偽多線程，下文中將詳細介紹）

什么是協程

協程（Coroutine，又稱微線程）是一種比線程更加輕量級的存在，協程不是被操作系統(tǒng)內核所管理，而完全是由程序所控制。

• 協程可以比作子程序，但執(zhí)行過程中，子程序內部可中斷，然后轉而執(zhí)行別的子程序，在適當的時候再返回來接著執(zhí)行。協程之間的切換不需要涉及任何系統(tǒng)調用或任何阻塞調用

• 協程只在一個線程中執(zhí)行，是子程序之間的切換，發(fā)生在用戶態(tài)上。而且，線程的阻塞狀態(tài)是由操作系統(tǒng)內核來完成，發(fā)生在內核態(tài)上，因此協程相比線程節(jié)省線程創(chuàng)建和切換的開銷

• 協程中不存在同時寫變量沖突，因此，也就不需要用來守衛(wèi)關鍵區(qū)塊的同步性原語，比如互斥鎖、信號量等，并且不需要來自操作系統(tǒng)的支持。

協程適用于IO阻塞且需要大量并發(fā)的場景，當發(fā)生IO阻塞，由協程的調度器進行調度，通過將數據流yield掉，并且記錄當前棧上的數據，阻塞完后立刻再通過線程恢復棧，并把阻塞的結果放到這個線程上去運行。

下面，將針對在不同的應用場景中如何選擇使用Python中的進程，線程，協程進行分析。

如何選擇？

在針對不同的場景對比三者的區(qū)別之前，首先需要介紹一下python的多線程(一直被程序員所詬病，認為是"假的"多線程)。

那為什么認為Python中的多線程是“偽”多線程呢？

更換上面multiprocessing示例中，p=multiprocessing.Process(target=count,args=(i,))為p=threading.Thread(target=count,args=(i,)),其他照舊，運行結果如下：

為了減少代碼冗余和文章篇幅，命名和打印不規(guī)則問題請忽略

Process 0:n=5756690257,id(n)=140103573185600Process 2:n=10819616173,id(n)=140103573185600Process 1:n=11829507727,id(n)=140103573185600Process 4:n=17812587459,id(n)=140103573072912Process 3:n=14424763612,id(n)=140103573185600Main:n=17812587459,id(n)=140103573072912Total time:0.1056210994720459

• n是全局變量，Main的打印結果與線程相等，證明了線程之間是數據共享

但是，為什么多線程運行時間比多進程還要長？這與我們上面所說（線程的開銷<<進程的開銷）的嚴重不相符啊。這就是輪到Cpython（python默認的解釋器）中GIL(Global Interpreter Lock,全局解釋鎖)登場了。

什么是GIL

GIL來源于Python設計之初的考慮，為了數據安全(由于內存管理機制中采用引用計數)所做的決定。某個線程想要執(zhí)行，必須先拿到 GIL。因此，可以把 GIL 看作是“通行證”,并且在一個 Python進程中，GIL 只有一個,拿不到通行證的線程,就不允許進入 CPU 執(zhí)行。

Cpython解釋器在內存管理中采用引用計數，當對象的引用次數為0時，會將對象當作垃圾進行回收。設想這樣一種場景：

一個進程中含有兩個線程，分別為線程0和線程1，兩個線程全都引用對象a。當兩個線程同時對a發(fā)生引用（并未修改，不需要使用同步性原語），就會發(fā)生同時修改對象a的引用計數器，造成計數器引用少于實質性的引用，當進行垃圾回收時，造成錯誤異常。因此，需要一把全局鎖（即為GIL）來保證對象引用計數的正確性和安全性。

無論是單核還是多核,一個進程永遠只能同時執(zhí)行一個線程(拿到 GIL 的線程才能執(zhí)行)，這就是為什么在多核CPU上，Python 的多線程效率并不高的根本原因。

那是不是在Python中遇到并發(fā)的需求就使用多進程就萬事大吉了呢？其實不然，軟件工程中有一句名言：沒有銀彈！

何時用？

常見的應用場景不外乎三種：

• CPU密集型:程序需要占用CPU進行大量的運算和數據處理；

• I/O密集型:程序中需要頻繁的進行I/O操作；例如網絡中socket數據傳輸和讀取等；

• CPU密集+I/O密集：以上兩種的結合

CPU密集型的情況可以對比以上multiprocessing和threading的例子，多進程的性能 > 多線程的性能。

下面主要解釋一下I/O密集型的情況。與I/O設備交互，目前最常用的解決方案就是DMA。

什么是DMA

DMA(Direct Memory Access)是系統(tǒng)中的一個特殊設備，它可以協調完成內存到設備間的數據傳輸，中間過程不需要CPU介入。

以文件寫入為例：

• 進程p1發(fā)出數據寫入磁盤文件的請求

• CPU處理寫入請求，通過編程告訴DMA引擎數據在內存的位置，要寫入數據的大小以及目標設備等信息

• CPU處理其他進程p2的請求，DMA負責將內存數據寫入到設備中

• DMA完成數據傳輸，中斷CPU

• CPU從p2上下文切換到p1,繼續(xù)執(zhí)行p1

Python多線程的表現（I/O密集型）

• 線程Thread0首先執(zhí)行，線程Thread1等待（GIL的存在）

• Thread0收到I/O請求，將請求轉發(fā)給DMA,DMA執(zhí)行請求

• Thread1占用CPU資源，繼續(xù)執(zhí)行

• CPU收到DMA的中斷請求，切換到Thread0繼續(xù)執(zhí)行

與進程的執(zhí)行模式相似，彌補了GIL帶來的不足，又由于線程的開銷遠遠小于進程的開銷，因此，在IO密集型場景中，多線程的性能更高

實踐是檢驗真理的唯一標準，下面將針對I/O密集型場景進行測試。

測試

• 執(zhí)行代碼

import multiprocessingimport threadingimport time  def count(num): time.sleep(1) ## 模擬IO操作 print("Process {0} End".format(num))  if __name__ == '__main__': start_time = time.time() process = list() for i in range(5): p = multiprocessing.Process(target=count, args=(i,)) # p = threading.Thread(target=count, args=(i,)) process.append(p)  for p in process: p.start()  for p in process: p.join()  end_time = time.time() print("Total time:{0}".format(end_time - start_time))

• 結果

## 多進程Process 0 EndProcess 3 EndProcess 4 EndProcess 2 EndProcess 1 EndTotal time:1.383193016052246## 多線程Process 0 EndProcess 4 EndProcess 3 EndProcess 1 EndProcess 2 EndTotal time:1.003425121307373

• 多線程的執(zhí)行效性能高于多進程

是不是認為這就結束了？遠還沒有呢。針對I/O密集型的程序，協程的執(zhí)行效率更高，因為它是程序自身所控制的，這樣將節(jié)省線程創(chuàng)建和切換所帶來的開銷。

以Python中asyncio應用為依賴，使用async/await語法進行協程的創(chuàng)建和使用。

• 程序代碼

import timeimport asyncio  async def coroutine(): await asyncio.sleep(1) ## 模擬IO操作  if __name__ == "__main__": start_time = time.time()  loop = asyncio.get_event_loop() tasks = [] for i in range(5): task = loop.create_task(coroutine()) tasks.append(task)  loop.run_until_complete(asyncio.wait(tasks)) loop.close() end_time = time.time() print("total time:", end_time - start_time)

• 結果

total time: 1.001854419708252

• 協程的執(zhí)行效性能高于多線程

總結

本文從操作系統(tǒng)原理出發(fā)結合代碼實踐講解了進程，線程和協程以及他們之間的關系。并且，總結和整理了Python實踐中針對不同的場景如何選擇對應的方案，如下：

• CPU密集型：多進程

• IO密集型：多線程（協程維護成本較高,而且在讀寫文件方面效率沒有顯著提升）

• CPU密集和IO密集：多進程+協程

—————END—————

喜歡本文的朋友，歡迎關注公眾號 程序員小灰，收看更多精彩內容

       點個[在看]，是對小灰最大的支持！