浅谈python中的多线程和多进程

我们在进行生信分析时经常要处理大文件，如果用串行运算往往费时，所以需要并行运算以节省时间。目前，流行的生信工具通常都可以并行运算，比如bwa。通常来讲，我们进行并行运算可以选择多线程或者多进程。那么二者有什么差别呢，我们又该如何选择呢？

不同编程语言中的多线程和多进程实现机制是不一样的，其实我们不关心实现机制，我们关注的是实际的性能。本文以python语言为例，用一个测试脚本来比较python中多线程和多进程的性能区别。我们主要关注运行时间和内存占用情况。

我们知道，python中常用的多线程模块是threading，常用的多进程模块是multiprocessing。我们的测试脚本要解决的是一个运算量比较大的任务，根据是否（并行）运算以及使用哪种并行运算可以分为四种情形：

• 不进行计算
• 串行运算
• 多线程运算
• 多进程运算

  得到的结果如下：

从中可以看出，对这个运算任务以及测试脚本而言，与串行运算相比，多线程所用的时间多很多，所占的内存一样；而多进程所用的时间变少（大约是串行运算时间的一半），所占用的内存变大（大约是串行运算的三倍）。

上述结果值得讨论的有两个：

为什么python中多线程运算所用的时间比串行运算还多？

这是因为python中GIL（Global Interpreter Lock）的存在使得对一个进程而言，不管有多少线程，任一时刻，只会有一个线程在执行。对于CPU密集型的线程，由于系统调度等其它时间花销，其效率不仅仅不高，反而有可能比较低[1]。也就是说，python中的多线程运算不能算作真正的并行运算。上面例子中的任务正好是一个CPU密集型任务，所以用多线程运算的时间反倒比串行运算还多。

为什么多线程运算占用的内存和串行运算一样，而多进程所用内存比串行运算大很多？

这是一个正常的结果，是由线程和进程的特点决定的。简单来说，线程会共享所属进程的内存资源，所以不会有额外的内存占用；而子进程会从父进程那里拷贝一份内存资源，所以每多一个子进程，就会多一份内存资源的拷贝，占用的内存就多了，上面的例子中共有两个子进程，所以就会多出来两份内存拷贝，看起来所占用的内存就是串行运算的三倍。（所用的术语只是为了阐述方便而用，可能有不恰当的地方）

综上，由于生信分析大多是CPU密集型（计算密集型）的任务，如果你用python来处理此类任务，多进程并行运算可能更适合。

参考
[1] https://www.cnblogs.com/yssjun/p/11302500.html

所用的测试脚本如下：

#!/usr/bin/python
from threading import Thread
from multiprocessing import Process
import time
import sys

def test_func(n):
for _ in range(n):
for i in a:
j = i + 1
print j

a = [1] * 10000000 # 10M
ncore = 2
per_run = 20
total_run = ncore * per_run

if __name__ == "__main__":
start_time = time.time()
if len(sys.argv) < 2:
print "Usage: python %s <no-calc | serial | multi-thread | multi-process>" % sys.argv[0]
sys.exit(1)
cores = None
if sys.argv[1] == "no-calc":
time.sleep(1)
elif sys.argv[1] == "serial":
test_func(total_run)
elif sys.argv[1] == "multi-thread":
cores = [Thread(target = test_func, args=(per_run, )) for _ in range(ncore)]
elif sys.argv[1] == "multi-process":
cores = [Process(target = test_func, args=(per_run, )) for _ in range(ncore)]
else:
print "Usage: python %s <no-calc | serial | multi-thread | multi-process>" % sys.argv[0]
sys.exit(3)
if cores:
for cr in cores:
cr.start()
for cr in cores:
cr.join()
end_time = time.time()
print end_time - start_time

我们用python分别创建多线程和多进程，然后打印出其中的变量和函数的id。这里的id是指python中对象的唯一标识符，可以通过id(obj)函数获得。如果两个对象的值相等，它们不一定是同一个对象，即它们的id不一定相等；反过来说，如果“两个”对象的id一样，那么它们其实是同一回事，就是同一个对象，它们的值一定相等。

我们首先用python创建多线程并打印其中对象的id。代码如下：

from threading import Thread
import time

# all subthreads share data.
def run_subthread(thread_id):
time.sleep(thread_id + 1)
print("inside run_subthread: a = %d, id(a) = %d, id(run_subthread) = %d" % (a, id(a), id(run_subthread)))

a = 10
print("outside run_subthread: a = %d, id(a) = %d, id(run_subthread) = %d" % (a, id(a), id(run_subthread)))

if __name__ == "__main__":
threads = [Thread(target=run_subthread, args=(idx, )) for idx in range(2)]
for t in threads:
t.start()
for t in threads:
t.join()
print "all done"

运行结果如下：

从中可以看出，不同线程中的对象id是一样的，也就是说多线程共享了同一份对象资源。

然后我们用python创建多进程并打印其中对象的id。代码如下：

from multiprocessing import Process
import time

# each subprocess has its own copy of data.
def run_subproc(proc_id):
time.sleep(proc_id + 1)
print("inside run_subproc: a = %d, d(a) = %d, id(run_subproc) = %d" % (a, id(a), id(run_subproc)))

a = 10
print("outside run_subproc: a = %d, id(a) = %d, id(run_subproc) = %d" % (a, id(a), id(run_subproc)))

if __name__ == "__main__":
proc = [Process(target=run_subproc, args=(idx, )) for idx in range(2)]
for p in proc:
p.start()
for p in proc:
p.join()
print "all done"

运行结果如下：

从中可以看出，不同子进程中的对象id是不一样的（变量和函数的id都不一样），说明多进程中，每个子进程都拷贝了父进程的一份对象资源。

除此之外，我们还可以看到，与多线程不同的是，多进程中的每个子进程都还执行了print("outside run_subproc: a = %d, id(a) = %d, id(run_subproc) = %d" % (a, id(a), id(run_subproc)))这一句。关于这一点的机制笔者并不完全清楚，不过它提醒我们，如果我们用python的多进程，要注意一些目标函数（target）之外的语句也可能会被执行，这并不是我们所期望的。