在python中使用多线程时如何获得更快的速度

Question

现在我正在研究如何尽快从网站上获取数据。为了获得更快的速度，我考虑使用多线程。下面是我用来测试多线程和简单post之间区别的代码。

import threading
import time
import urllib
import urllib2


class Post:

    def __init__(self, website, data, mode):
        self.website = website
        self.data = data

        #mode is either "Simple"(Simple POST) or "Multiple"(Multi-thread POST)
        self.mode = mode

    def post(self):

        #post data
        req = urllib2.Request(self.website)
        open_url = urllib2.urlopen(req, self.data)

        if self.mode == "Multiple":
            time.sleep(0.001)

        #read HTMLData
        HTMLData = open_url.read()



        print "OK"

if __name__ == "__main__":

    current_post = Post("http://forum.xda-developers.com/login.php", "vb_login_username=test&vb_login_password&securitytoken=guest&do=login", \
                        "Simple")

    #save the time before post data
    origin_time = time.time()

    if(current_post.mode == "Multiple"):

        #multithreading POST

        for i in range(0, 10):
           thread = threading.Thread(target = current_post.post)
           thread.start()
           thread.join()

        #calculate the time interval
        time_interval = time.time() - origin_time

        print time_interval

    if(current_post.mode == "Simple"):

        #simple POST

        for i in range(0, 10):
            current_post.post()

        #calculate the time interval
        time_interval = time.time() - origin_time

        print time_interval

正如您所看到的，这是一个非常简单的代码。首先，我将模式设置为“简单”，然后可以得到时间间隔：50s（可能我的速度有点慢：）。然后将模式设置为“Multiple”，得到时间间隔：35。从这我可以看出，多线程实际上可以提高速度，但结果不如我想象的好。我想要更快的速度。

通过调试，我发现程序主要阻塞在：open_url = urllib2.urlopen(req, self.data)行，这行代码需要大量时间从指定的网站发布和接收数据。我想我可以通过添加time.sleep()并在urlopen函数中使用多线程来获得更快的速度，但是我不能这样做，因为它是python自己的函数。

如果不考虑服务器阻塞post速度的不合理限制，我还能做什么来获得更快的速度？或者其他我可以修改的代码？太多了！

Answer 1

在许多情况下，python的线程并不能很好地提高执行速度。。。有时候，这会让事情变得更糟。有关详细信息，请参见David Beazley's PyCon2010 presentation on the Global Interpreter Lock/Pycon2010 GIL slides。这个演示内容非常丰富，我强烈推荐给任何考虑线程的人。。。

尽管David Beazley的演讲解释了网络流量改善了Python线程模块的调度，但是您应该使用multiprocessing module。我在你的代码中加入了这个选项（见我的答案的底部）。

在我的一台旧机器上运行（Python2.6.6）：

current_post.mode == "Process"  (multiprocessing)  --> 0.2609 seconds
current_post.mode == "Multiple" (threading)        --> 0.3947 seconds
current_post.mode == "Simple"   (serial execution) --> 1.650 seconds

我同意TokenMacGuy的评论，上面的数字包括将.join()移动到不同的循环。如您所见，python的多处理速度明显快于线程。

---

from multiprocessing import Process
import threading
import time
import urllib
import urllib2


class Post:

    def __init__(self, website, data, mode):
        self.website = website
        self.data = data

        #mode is either:
        #   "Simple"      (Simple POST)
        #   "Multiple"    (Multi-thread POST)
        #   "Process"     (Multiprocessing)
        self.mode = mode
        self.run_job()

    def post(self):

        #post data
        req = urllib2.Request(self.website)
        open_url = urllib2.urlopen(req, self.data)

        if self.mode == "Multiple":
            time.sleep(0.001)

        #read HTMLData
        HTMLData = open_url.read()

        #print "OK"

    def run_job(self):
        """This was refactored from the OP's code"""
        origin_time = time.time()
        if(self.mode == "Multiple"):

            #multithreading POST
            threads = list()
            for i in range(0, 10):
               thread = threading.Thread(target = self.post)
               thread.start()
               threads.append(thread)
            for thread in threads:
               thread.join()
            #calculate the time interval
            time_interval = time.time() - origin_time
            print "mode - {0}: {1}".format(method, time_interval)

        if(self.mode == "Process"):

            #multiprocessing POST
            processes = list()
            for i in range(0, 10):
               process = Process(target=self.post)
               process.start()
               processes.append(process)
            for process in processes:
               process.join()
            #calculate the time interval
            time_interval = time.time() - origin_time
            print "mode - {0}: {1}".format(method, time_interval)

        if(self.mode == "Simple"):

            #simple POST
            for i in range(0, 10):
                self.post()
            #calculate the time interval
            time_interval = time.time() - origin_time
            print "mode - {0}: {1}".format(method, time_interval)
        return time_interval

if __name__ == "__main__":

    for method in ["Process", "Multiple", "Simple"]:
        Post("http://forum.xda-developers.com/login.php", 
            "vb_login_username=test&vb_login_password&securitytoken=guest&do=login",
            method
            )

Answer 2

你做错的最大一件事，也就是最伤你的吞吐量，就是你调用thread.start()和thread.join()的方式：

for i in range(0, 10):
   thread = threading.Thread(target = current_post.post)
   thread.start()
   thread.join()

每次通过循环，您都会创建一个线程，启动它，然后等待它完成，然后再转到下一个线程。你一点也不做！

你应该做的是：

threads = []

# start all of the threads
for i in range(0, 10):
   thread = threading.Thread(target = current_post.post)
   thread.start()
   threads.append(thread)

# now wait for them all to finish
for thread in threads:
   thread.join()

Answer 3

请记住，在Python中，多线程可以“提高速度”的唯一情况是当您有像这样的操作时会受到严重的I/O限制。否则多线程不会提高“速度”，因为它不能在多个CPU上运行（不，即使您有多个内核，python也不会这样工作）。当您希望两件事同时完成时，应该使用多线程，而不是当您希望两件事并行时（即两个进程分别运行）。

现在，你实际上所做的并不会增加任何一个DNS查找的速度，但是它允许在等待其他一些结果的同时发送多个请求，但是你应该小心你做了多少，否则你只会使响应时间比现在更糟。

另外，请停止使用urllib2，并使用请求：http://docs.python-requests.org