apeescape2.com
  • メイン
  • プロジェクト管理
  • バックエンド
  • アジャイルタレント
  • 財務プロセス
バックエンド

Pythonマルチスレッドおよびマルチプロセッシングチュートリアル

注意: いくつかの代替テクニックを示すという一般的なリクエストにより---非同期/待機を含み、Python3.5の登場以来のみ利用可能---追加しました 記事の最後にいくつかの更新 。楽しい!

Pythonを批判する議論では、マルチスレッド作業にPythonを使用することがいかに難しいかについてよく話し、グローバルインタープリターロック(愛情を込めて GIL )Pythonコードの複数のスレッドが同時に実行されるのを防ぎます。このため、Pythonマルチスレッドモジュールは、そうでない場合に期待するように動作しません。 Python開発者 そしてあなたはC ++やJavaのような他の言語から来ています。特定の事項を考慮に入れる限り、Pythonで同時にまたは並行して実行されるコードを記述し、結果のパフォーマンスに大きな違いをもたらすことができることを明確にする必要があります。まだ読んでいない場合は、Eqbalコーランをご覧になることをお勧めします。 Rubyの並行性と並列性に関する記事 ここApeeScapeエンジニアリングブログにあります。

このPython同時実行チュートリアルでは、Imgurから人気のある画像をダウンロードするための小さなPythonスクリプトを作成します。画像を順番に、または一度に1つずつダウンロードするバージョンから始めます。前提条件として、登録する必要があります Imgurのアプリケーション 。まだImgurアカウントをお持ちでない場合は、まずアカウントを作成してください。

これらのスレッド例のスクリプトは、Python3.6.4でテストされています。いくつかの変更を加えて、Python 2でも実行する必要があります。urllibは、これら2つのバージョンのPython間で最も変更されたものです。



Pythonマルチスレッド入門

download.pyという名前のPythonモジュールを作成することから始めましょう。このファイルには、画像のリストを取得してダウンロードするために必要なすべての機能が含まれています。これらの機能を3つの別々の機能に分割します。

  • get_links
  • download_link
  • setup_download_dir

3番目の関数setup_download_dirは、ダウンロード先ディレクトリがまだ存在しない場合に作成するために使用されます。

ImgurのAPIでは、Authorizationを処理するためにHTTPリクエストが必要ですクライアントIDを持つヘッダー。このクライアントIDは、Imgurに登録したアプリケーションのダッシュボードから見つけることができ、応答はJSONエンコードされます。 Pythonの標準JSONライブラリを使用してデコードできます。画像のダウンロードはさらに簡単な作業です。URLで画像を取得してファイルに書き込むだけです。

被用者報酬計算機の雇用者費用

スクリプトは次のようになります。

import json import logging import os from pathlib import Path from urllib.request import urlopen, Request logger = logging.getLogger(__name__) types = {'image/jpeg', 'image/png'} def get_links(client_id): headers = {'Authorization': 'Client-ID {}'.format(client_id)} req = Request('https://api.imgur.com/3/gallery/random/random/', headers=headers, method='GET') with urlopen(req) as resp: data = json.loads(resp.read().decode('utf-8')) return [item['link'] for item in data['data'] if 'type' in item and item['type'] in types] def download_link(directory, link): download_path = directory / os.path.basename(link) with urlopen(link) as image, download_path.open('wb') as f: f.write(image.read()) logger.info('Downloaded %s', link) def setup_download_dir(): download_dir = Path('images') if not download_dir.exists(): download_dir.mkdir() return download_dir

次に、これらの関数を使用して画像を1つずつダウンロードするモジュールを作成する必要があります。これにsingle.pyという名前を付けます。これには、Imgurイメージダウンローダーの最初のナイーブバージョンの主な機能が含まれます。モジュールは環境変数IMGUR_CLIENT_IDでImgurクライアントIDを取得します。 setup_download_dirを呼び出しますダウンロード先ディレクトリを作成します。最後に、get_linksを使用して画像のリストを取得します関数を使用して、すべてのGIFとアルバムのURLを除外し、download_linkを使用します。これらの各イメージをダウンロードしてディスクに保存します。これがsingle.pyです次のようになります:

import logging import os from time import time from download import setup_download_dir, get_links, download_link logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s') logger = logging.getLogger(__name__) def main(): ts = time() client_id = os.getenv('IMGUR_CLIENT_ID') if not client_id: raise Exception('Couldn't find IMGUR_CLIENT_ID environment variable!') download_dir = setup_download_dir() links = get_links(client_id) for link in links: download_link(download_dir, link) logging.info('Took %s seconds', time() - ts) if __name__ == '__main__': main()

私のラップトップでは、このスクリプトは91枚の画像をダウンロードするのに19.4秒かかりました。これらの数値は、使用しているネットワークによって異なる場合があることに注意してください。 19.4秒はそれほど長くはありませんが、さらに写真をダウンロードしたい場合はどうすればよいでしょうか。おそらく90枚ではなく900枚の画像です。1枚の画像あたり平均0.2秒の場合、900枚の画像には約3分かかります。 9000枚の写真の場合、30分かかります。良いニュースは、並行性または並列性を導入することで、これを劇的にスピードアップできることです。

以降のすべてのコード例では、それらの例に固有の新しいインポートステートメントのみが表示されます。便宜上、これらのPythonスクリプトはすべて次の場所にあります。 このGitHubリポジトリ 。

ヘッダーファイルc ++とは

Pythonでの並行性と並列性:スレッド化の例

スレッド化は、Pythonの並行性と並列性を実現するための最もよく知られたアプローチの1つです。スレッド化は、通常、オペレーティングシステムによって提供される機能です。スレッドはプロセスよりも軽量で、同じメモリスペースを共有します。

Pythonマルチスレッドメモリモデル

このPythonスレッドの例では、single.pyを置き換える新しいモジュールを記述します。このモジュールは8つのスレッドのプールを作成し、メインスレッドを含めて合計9つのスレッドを作成します。私のコンピューターには8つのCPUコアがあり、コアごとに1つのワーカースレッドが一度に実行するスレッドの数として適切であると思われるため、8つのワーカースレッドを選択しました。実際には、この数は、同じマシンで実行されている他のアプリケーションやサービスなど、他の要因に基づいてはるかに慎重に選択されます。

これは、Python DownloadWorkerの子孫である新しいクラスThreadがあることを除いて、前のクラスとほぼ同じです。クラス。 runメソッドがオーバーライドされ、無限ループが実行されます。反復ごとに、self.queue.get()を呼び出します。スレッドセーフキューからURLをフェッチしようとします。ワーカーが処理するアイテムがキューにあるまでブロックします。ワーカーがキューからアイテムを受け取ると、同じdownload_linkを呼び出します。前のスクリプトでイメージをimagesディレクトリにダウンロードするために使用されたメソッド。ダウンロードが終了すると、ワーカーはそのタスクが完了したことをキューに通知します。キューはキューに入れられたタスクの数を追跡するため、これは非常に重要です。 queue.join()への呼び出しワーカーがタスクを完了したことを通知しなかった場合、メインスレッドは永久にブロックされます。

import logging import os from queue import Queue from threading import Thread from time import time from download import setup_download_dir, get_links, download_link logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s') logger = logging.getLogger(__name__) class DownloadWorker(Thread): def __init__(self, queue): Thread.__init__(self) self.queue = queue def run(self): while True: # Get the work from the queue and expand the tuple directory, link = self.queue.get() try: download_link(directory, link) finally: self.queue.task_done() def main(): ts = time() client_id = os.getenv('IMGUR_CLIENT_ID') if not client_id: raise Exception('Couldn't find IMGUR_CLIENT_ID environment variable!') download_dir = setup_download_dir() links = get_links(client_id) # Create a queue to communicate with the worker threads queue = Queue() # Create 8 worker threads for x in range(8): worker = DownloadWorker(queue) # Setting daemon to True will let the main thread exit even though the workers are blocking worker.daemon = True worker.start() # Put the tasks into the queue as a tuple for link in links: logger.info('Queueing {}'.format(link)) queue.put((download_dir, link)) # Causes the main thread to wait for the queue to finish processing all the tasks queue.join() logging.info('Took %s', time() - ts) if __name__ == '__main__': main()

以前に使用したのと同じマシンでこのPythonスレッドサンプルスクリプトを実行すると、ダウンロード時間は4.1秒になります。これは前の例の4.7倍高速です。これははるかに高速ですが、GILが原因で、このプロセス全体で一度に1つのスレッドしか実行されていなかったことに言及する価値があります。したがって、このコードは並行していますが、並行ではありません。それでも高速である理由は、これがIOバウンドタスクであるためです。これらの画像をダウンロードしている間、プロセッサはほとんど汗をかきません、そして、時間の大部分はネットワークを待つことに費やされます。これが、Pythonマルチスレッドが大幅な速度向上をもたらす理由です。プロセッサは、スレッドの1つが何らかの作業を行う準備ができているときはいつでも、スレッドを切り替えることができます。 PythonまたはGILで他のインタープリター言語でスレッドモジュールを使用すると、実際にはパフォーマンスが低下する可能性があります。コードがthreadingを使用して、gzipファイルの解凍などのCPUバウンドタスクを実行している場合モジュールを使用すると、実行時間が遅くなります。 CPUバウンドタスクと真の並列実行には、マルチプロセッシングモジュールを使用できます。

ながら デファクト 参照Python実装(CPython)にはGILがありますが、これはすべてのPython実装に当てはまるわけではありません。たとえば、.NETフレームワークを使用するPython実装であるIronPythonにはGILがなく、Javaベースの実装であるJythonもありません。動作するPython実装のリストを見つけることができます ここに 。

関連: ApeeScape開発者によるPythonのベストプラクティスとヒント

Pythonでの並行性と並列性例2:複数のプロセスの生成

マルチプロセッシングモジュールは、Pythonスレッドの例のようにクラスを追加する必要がないため、スレッドモジュールよりも簡単にドロップインできます。行う必要がある唯一の変更は、main関数にあります。

Pythonマルチプロセッシングチュートリアル:モジュール

複数のプロセスを使用するには、マルチプロセッシングPoolを作成します。それが提供するmapメソッドを使用して、URLのリストをプールに渡します。これにより、8つの新しいプロセスが生成され、それぞれを使用して画像が並行してダウンロードされます。これは真の並列処理ですが、コストがかかります。スクリプトのメモリ全体が、生成される各サブプロセスにコピーされます。この単純な例では、それは大したことではありませんが、重要なプログラムにとっては簡単に深刻なオーバーヘッドになる可能性があります。

import logging import os from functools import partial from multiprocessing.pool import Pool from time import time from download import setup_download_dir, get_links, download_link logging.basicConfig(level=logging.DEBUG, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s') logging.getLogger('requests').setLevel(logging.CRITICAL) logger = logging.getLogger(__name__) def main(): ts = time() client_id = os.getenv('IMGUR_CLIENT_ID') if not client_id: raise Exception('Couldn't find IMGUR_CLIENT_ID environment variable!') download_dir = setup_download_dir() links = get_links(client_id) download = partial(download_link, download_dir) with Pool(4) as p: p.map(download, links) logging.info('Took %s seconds', time() - ts) if __name__ == '__main__': main()

Pythonでの並行性と並列性例3:複数のワーカーへの配布

スレッド化およびマルチプロセッシングモジュールは、パーソナルコンピューターで実行されているスクリプトに最適ですが、別のマシンで作業を実行する場合、または1台のマシンのCPUを超えるスケールアップが必要な場合はどうすればよいですか。扱う?これの優れたユースケースは、Webアプリケーションの長時間実行されるバックエンドタスクです。長時間実行されるタスクがある場合は、残りのアプリケーションコードを実行する必要がある、同じマシン上で多数のサブプロセスまたはスレッドを起動する必要はありません。これにより、すべてのユーザーのアプリケーションのパフォーマンスが低下します。これらのジョブを別のマシンまたは他の多くのマシンで実行できるのは素晴らしいことです。

このタスクに最適なPythonライブラリは RQ 、非常にシンプルでありながら強力なライブラリ。まず、ライブラリを使用して関数とその引数をキューに入れます。この 漬物 関数呼び出し表現。これは、 Redis リスト。ジョブのエンキューは最初のステップですが、まだ何もしません。また、そのジョブキューをリッスンするには、少なくとも1人のワーカーが必要です。

RQPythonキューライブラリのモデル

最初のステップは、コンピューターにRedisサーバーをインストールして実行するか、実行中のRedisサーバーにアクセスできるようにすることです。その後、既存のコードに加えられた小さな変更はほんのわずかです。まず、RQキューのインスタンスを作成し、そこからRedisサーバーのインスタンスを渡します。 redis-pyライブラリ 。次に、単にdownload_linkを呼び出す代わりにメソッドでは、q.enqueue(download_link, download_dir, link)を呼び出します。 enqueueメソッドは、最初の引数として関数を受け取り、ジョブが実際に実行されるときに、他の引数またはキーワード引数がその関数に渡されます。

私たちがしなければならない最後のステップは、何人かの労働者を立ち上げることです。 RQは、デフォルトのキューでワーカーを実行するための便利なスクリプトを提供します。 rqworkerを実行するだけですターミナルウィンドウで、デフォルトのキューでリッスンしているワーカーを開始します。現在の作業ディレクトリがスクリプトが存在する場所と同じであることを確認してください。別のキューをリッスンする場合は、rqworker queue_nameを実行できます。その名前の付いたキューをリッスンします。 RQの優れている点は、Redisに接続できる限り、必要な数の異なるマシンで必要な数のワーカーを実行できることです。したがって、アプリケーションの成長に合わせてスケールアップするのは非常に簡単です。 RQバージョンのソースは次のとおりです。

アルゴリズムは、真または偽のコンピューティングアプリケーションに限定されています
import logging import os from redis import Redis from rq import Queue from download import setup_download_dir, get_links, download_link logging.basicConfig(level=logging.DEBUG, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s') logging.getLogger('requests').setLevel(logging.CRITICAL) logger = logging.getLogger(__name__) def main(): client_id = os.getenv('IMGUR_CLIENT_ID') if not client_id: raise Exception('Couldn't find IMGUR_CLIENT_ID environment variable!') download_dir = setup_download_dir() links = get_links(client_id) q = Queue(connection=Redis(host='localhost', port=6379)) for link in links: q.enqueue(download_link, download_dir, link) if __name__ == '__main__': main()

ただし、PythonジョブキューソリューションはRQだけではありません。 RQは使いやすく、単純なユースケースを非常にうまくカバーしますが、より高度なオプションが必要な場合は、他のPython 3キューソリューション( セロリ ) に使える。

Pythonマルチスレッドとマルチプロセッシング

コードがIOバウンドの場合、Pythonのマルチプロセッシングとマルチスレッドの両方が機能します。マルチプロセッシングは、スレッド化よりも簡単にドロップインできますが、メモリのオーバーヘッドが高くなります。コードがCPUにバインドされている場合、特にターゲットマシンに複数のコアまたはCPUがある場合は、マルチプロセッシングの方が適している可能性があります。 Webアプリケーションの場合、および複数のマシン間で作業をスケーリングする必要がある場合は、RQの方が適しています。

関連: より高度になる:Pythonプログラマーが犯す最も一般的な10の間違いを回避する

更新

Python concurrent.futures

元の記事で触れられなかったPython3.2以降の新しいものは、concurrent.futuresです。パッケージ。このパッケージは、Pythonで並行性と並列性を使用するさらに別の方法を提供します。

元の記事で、Pythonのマルチプロセッシングモジュールは、スレッドモジュールよりも既存のコードに簡単にドロップできると述べました。これは、Python3スレッドモジュールがThreadのサブクラス化を必要としたためです。クラスとQueueの作成スレッドが作業を監視するため。

を使って コンカレント.futures.ThreadPoolExecutor Pythonスレッドのサンプルコードをマルチプロセッシングモジュールとほぼ同じにします。

import logging import os from concurrent.futures import ThreadPoolExecutor from functools import partial from time import time from download import setup_download_dir, get_links, download_link logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s') logger = logging.getLogger(__name__) def main(): client_id = os.getenv('IMGUR_CLIENT_ID') if not client_id: raise Exception('Couldn't find IMGUR_CLIENT_ID environment variable!') download_dir = setup_download_dir() links = get_links(client_id) # By placing the executor inside a with block, the executors shutdown method # will be called cleaning up threads. # # By default, the executor sets number of workers to 5 times the number of # CPUs. with ThreadPoolExecutor() as executor: # Create a new partially applied function that stores the directory # argument. # # This allows the download_link function that normally takes two # arguments to work with the map function that expects a function of a # single argument. fn = partial(download_link, download_dir) # Executes fn concurrently using threads on the links iterable. The # timeout is for the entire process, not a single call, so downloading # all images must complete within 30 seconds. executor.map(fn, links, timeout=30) if __name__ == '__main__': main()

これらすべてのイメージがPython ThreadPoolExecutorでダウンロードされたので、それらを使用してCPUバウンドタスクをテストできます。シングルスレッドのシングルプロセススクリプトの両方ですべての画像のサムネイルバージョンを作成してから、マルチプロセッシングベースのソリューションをテストできます。

を使用します 枕 画像のサイズ変更を処理するライブラリ。

これが最初のスクリプトです。

import logging from pathlib import Path from time import time from PIL import Image logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s') logger = logging.getLogger(__name__) def create_thumbnail(size, path): ''' Creates a thumbnail of an image with the same name as image but with _thumbnail appended before the extension. E.g.: >>> create_thumbnail((128, 128), 'image.jpg') A new thumbnail image is created with the name image_thumbnail.jpg :param size: A tuple of the width and height of the image :param path: The path to the image file :return: None ''' image = Image.open(path) image.thumbnail(size) path = Path(path) name = path.stem + '_thumbnail' + path.suffix thumbnail_path = path.with_name(name) image.save(thumbnail_path) def main(): ts = time() for image_path in Path('images').iterdir(): create_thumbnail((128, 128), image_path) logging.info('Took %s', time() - ts) if __name__ == '__main__': main()

このスクリプトは、imagesのパスを繰り返し処理します。フォルダとパスごとにcreate_thumbnail関数を実行します。この関数は、Pillowを使用して画像を開き、サムネイルを作成し、元の画像と同じ名前で_thumbnailを使用して新しい小さい画像を保存します。名前に追加されます。

cとscorpの違い

このスクリプトを160枚の画像で合計3600万枚実行すると、2.32秒かかります。を使用してこれを高速化できるかどうかを見てみましょう ProcessPoolExecutor 。

import logging from pathlib import Path from time import time from functools import partial from concurrent.futures import ProcessPoolExecutor from PIL import Image logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s') logger = logging.getLogger(__name__) def create_thumbnail(size, path): ''' Creates a thumbnail of an image with the same name as image but with _thumbnail appended before the extension. E.g.: >>> create_thumbnail((128, 128), 'image.jpg') A new thumbnail image is created with the name image_thumbnail.jpg :param size: A tuple of the width and height of the image :param path: The path to the image file :return: None ''' path = Path(path) name = path.stem + '_thumbnail' + path.suffix thumbnail_path = path.with_name(name) image = Image.open(path) image.thumbnail(size) image.save(thumbnail_path) def main(): ts = time() # Partially apply the create_thumbnail method, setting the size to 128x128 # and returning a function of a single argument. thumbnail_128 = partial(create_thumbnail, (128, 128)) # Create the executor in a with block so shutdown is called when the block # is exited. with ProcessPoolExecutor() as executor: executor.map(thumbnail_128, Path('images').iterdir()) logging.info('Took %s', time() - ts) if __name__ == '__main__': main()

create_thumbnailメソッドは最後のスクリプトと同じです。主な違いは、ProcessPoolExecutorの作成です。遺言執行者の 地図 メソッドは、サムネイルを並行して作成するために使用されます。デフォルトでは、ProcessPoolExecutor CPUごとに1つのサブプロセスを作成します。同じ160枚の画像でこのスクリプトを実行すると、1.05秒かかりました。これは2.2倍の速さです。

Async / Await(Python 3.5以降のみ)

元の記事のコメントで最もリクエストされた項目の1つは、Python3を使用した例です。 asyncio モジュール。他の例と比較すると、ほとんどの人にとって新しい可能性のある新しいPython構文と、いくつかの新しい概念があります。残念ながら、Pythonの組み込みのurllibによって、さらに複雑なレイヤーが発生します。モジュールが非同期ではありません。 asyncioの利点を最大限に活用するには、非同期HTTPライブラリを使用する必要があります。このために、 aiohttp 。

コードに飛び込んでみましょう。さらに詳細な説明が続きます。

import asyncio import logging import os from time import time import aiohttp from download import setup_download_dir, get_links logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s') logger = logging.getLogger(__name__) async def async_download_link(session, directory, link): ''' Async version of the download_link method we've been using in the other examples. :param session: aiohttp ClientSession :param directory: directory to save downloads :param link: the url of the link to download :return: ''' download_path = directory / os.path.basename(link) async with session.get(link) as response: with download_path.open('wb') as f: while True: # await pauses execution until the 1024 (or less) bytes are read from the stream chunk = await response.content.read(1024) if not chunk: # We are done reading the file, break out of the while loop break f.write(chunk) logger.info('Downloaded %s', link) # Main is now a coroutine async def main(): client_id = os.getenv('IMGUR_CLIENT_ID') if not client_id: raise Exception('Couldn't find IMGUR_CLIENT_ID environment variable!') download_dir = setup_download_dir() # We use a session to take advantage of tcp keep-alive # Set a 3 second read and connect timeout. Default is 5 minutes async with aiohttp.ClientSession(conn_timeout=3, read_timeout=3) as session: tasks = [(async_download_link(session, download_dir, l)) for l in get_links(client_id)] # gather aggregates all the tasks and schedules them in the event loop await asyncio.gather(*tasks, return_exceptions=True) if __name__ == '__main__': ts = time() # Create the asyncio event loop loop = asyncio.get_event_loop() try: loop.run_until_complete(main()) finally: # Shutdown the loop even if there is an exception loop.close() logger.info('Took %s seconds to complete', time() - ts)

ここで開梱するものはかなりあります。プログラムのメインエントリポイントから始めましょう。 asyncioモジュールで最初に行う新しいことは、イベントループを取得することです。イベントループは、すべての非同期コードを処理します。次に、ループが完了するまで実行され、mainを通過します。関数。 mainの定義に新しい構文があります:async def。 awaitにも気付くでしょうおよびwith async。

async / await構文はで導入されました PEP492 。 async def構文は関数をとしてマークします コルーチン 。内部的には、コルーチンはPythonジェネレーターに基づいていますが、まったく同じではありません。コルーチンは、ジェネレーターがジェネレーターオブジェクトを返すのと同じようにコルーチンオブジェクトを返します。コルーチンを取得したら、awaitで結果を取得します。式。コルーチンがawaitを呼び出すと、待機が完了するまでコルーチンの実行が一時停止されます。この一時停止により、コルーチンが一時停止されている間に他の作業を完了して、何らかの結果を「待つ」ことができます。一般に、この結果は、データベース要求やこの場合はHTTP要求のようなある種のI / Oになります。

download_link機能をかなり大幅に変更する必要がありました。以前は、urllibに依存していました私たちのために画像を読むという仕事の矢面に立つこと。ここで、メソッドが非同期プログラミングパラダイムで適切に機能できるようにするために、whileを導入しました。イメージのチャンクを一度に読み取り、I / Oが完了するのを待っている間実行を一時停止するループ。これにより、ダウンロード中に新しいデータが利用可能になるため、イベントループでさまざまな画像のダウンロードをループできます。

それを行うための明白な方法は1つ、できれば1つだけである必要があります

ながら Pythonの禅 何かをするための明白な方法が1つあるはずだと言っています。Pythonには、プログラムに並行性を導入する方法がたくさんあります。選択する最良の方法は、特定のユースケースによって異なります。非同期パラダイムは、スレッド化やマルチプロセッシングと比較して、同時実行性の高いワークロード(Webサーバーなど)に合わせて拡張できますが、十分なメリットを得るには、コード(および依存関係)を非同期にする必要があります。

うまくいけば、この記事のPythonスレッドの例(および更新)が正しい方向を示し、プログラムに並行性を導入する必要がある場合にPython標準ライブラリのどこを見ればよいかがわかります。

Pythonを実行できるスレッドの数

基本を理解する

Pythonのスレッドとは何ですか?

スレッドは軽量のプロセスまたはタスクです。スレッドは、プログラムに並行性を追加する1つの方法です。 Pythonアプリケーションが複数のスレッドを使用していて、OSで実行されているプロセスを確認すると、複数のスレッドを実行している場合でも、スクリプトのエントリは1つしか表示されません。

マルチスレッドとは何ですか?

マルチスレッド(単に「スレッド」)とは、プログラムが複数のスレッドを作成し、それらの間で実行が循環することです。そのため、1つの長時間実行タスクが他のすべてのスレッドをブロックすることはありません。これは、小さなサブタスクに分割できるタスクに適しています。サブタスクは、それぞれをスレッドに渡して完了させることができます。

Pythonスレッドとマルチプロセッシングの違いは何ですか?

スレッド化では、複数のスレッドを使用して並行性が実現されますが、GILにより、一度に実行できるスレッドは1つだけです。マルチプロセッシングでは、元のプロセスは、GILをバイパスして複数の子プロセスにフォークされます。各子プロセスには、プログラム全体のメモリのコピーがあります。

Pythonマルチスレッドとマルチプロセッシングはどのように関連していますか?

マルチスレッドとマルチプロセッシングの両方で、Pythonコードを同時に実行できます。マルチプロセッシングのみが、コードを真に並列化することを可能にします。ただし、コードがIOを多用する場合(HTTPリクエストなど)、マルチスレッドを使用するとコードが高速化される可能性があります。

エンタープライズナビゲーション:利害関係者のコラボレーションのための設計方法論

仕事の未来

エンタープライズナビゲーション:利害関係者のコラボレーションのための設計方法論
安全でないモノのインターネット(IoT)を作成していますか?セキュリティの課題と懸念

安全でないモノのインターネット(IoT)を作成していますか?セキュリティの課題と懸念

モバイル

人気の投稿
デザインディーバを管理する方法(そして1つではない)
デザインディーバを管理する方法(そして1つではない)
デザインのパートナー–クライアントの共感へのガイド
デザインのパートナー–クライアントの共感へのガイド
収益の質:財務デューデリジェンスの重要な柱
収益の質:財務デューデリジェンスの重要な柱
デザイントーク:UXリサーチャーのCaitriaO'Neillとの実際の研究
デザイントーク:UXリサーチャーのCaitriaO'Neillとの実際の研究
野生のRailsエンジンのガイド:実際のRailsエンジンの実例
野生のRailsエンジンのガイド:実際のRailsエンジンの実例
 
フレームワークを保持する–依存性注入パターンの調査
フレームワークを保持する–依存性注入パターンの調査
ブランドマーケティング担当副社長
ブランドマーケティング担当副社長
SRVB暗号システム入門
SRVB暗号システム入門
デジタル遊牧民のための人間工学:自殺せずに道路で働く
デジタル遊牧民のための人間工学:自殺せずに道路で働く
ビデオゲームの物理チュートリアル-パートIII:拘束された剛体シミュレーション
ビデオゲームの物理チュートリアル-パートIII:拘束された剛体シミュレーション
人気の投稿
  • 市場戦略フレームワークに行く
  • バイヤーの交渉力の例
  • レスポンシブデザインのデバイス画面サイズ
  • cvvと郵便番号でハッキングされたクレジットカード番号
  • 不和ボットコマンドの使用方法
  • パフォーマンスの投資収益率:
カテゴリー
分散チーム Kpiと分析 トレンド Uiデザイン 設計プロセス アジャイル 仕事の未来 データサイエンスとデータベース 財務プロセス 収益性と効率性

© 2021 | 全著作権所有

apeescape2.com