Introduction à plusieurs explications de flux:
2 modules donnés dans la bibliothèque standard de Python: _thread et flux, _thread est un module de bas niveau qui ne prend pas en charge l'arrière-plan, lorsque le flux principal s'échappe, tous les thèmes d'enfants sera obligé de s'échapper. Le thread est un module avancé utilisé comme package de support d'arrière-plan pour _thread. Dans la plupart des cas, les gens doivent simplement utiliser ce module avancé.
Sur Approche multi-processus:
Multi-Process est un module multi-processeur qui fournit des contrôles distants et locaux, dans les bibliothèques multi-tortures, tous les sous-processus sont tous D'un processus parent, ce processus parent se transforme en un processus de MADER. Il gérera une variété d'états d'objet. Si ce processus sort, le processus d'enfants est susceptible d'être un statut instable, le processus de ce parent essaie de maintenir moins stable.
à la différence entre les multi-processus de Python et multi-processus comme suit:
1) en NHFiletage, le nombre de processus de tous les sous-thèmes est le même; Dans de nombreux processus, différents procédés latéraux sont différents,
2) Espace mémoire partagé de la mémoire; Mémoire de processus indépendante,
3) Multi-threadé peut partager des variables globales, de nombreux processus ne peuvent pas faire,
4) Le même processus peut être transmis à côté des cours d'eau; 2 Les processus qui souhaitent communiquer, doivent être mis en œuvre par un agent intermédiaire
5) un débit peut être contrôlé et utilisé dans le même processus. Sujet; Mais le processus ne peut utiliser le sous-processus que
6) La création d'un nouveau flux est très simple; La création d'un nouveau processus doit être clonée une fois.
Multi-fileté, multithreading et distinguant
.
Le processus est l'unité minimale de l'allocation du système d'exploitation Compréhension : une application comprend au moins un processus, chaque processus a une cellule de mémoire séparée en tropH L'application et la programmation multi-processus de Python repose principalement sur principalement sur le module intelligent. Communication entre les processus: premièrement, entre les processus pouvant communiquer entre eux, relativement courants, tels que des tuyaux, des tuyaux nommés, une file d'attente de messagerie à la mémoire, des partages de mémoireHaredMemorory, un sémaphore du Semouter, un socket de socket, un signal de signal (en raison de la réalité Développement liée à moins, introduit simplement ici), le processus habituel est indépendant, chaque processus de mémoire indépendante. En partageant la mémoire (module NMAP), l'objet peut être partagé entre les processus, permettant aux processus d'accès multiples la même variable (l'adresse est identique, le nom de la variable peut varier). Les ressources de partage multi-processus conduiront certainement à des complexités entre les processus, nous devrions donc faire de notre mieux pour prévenir le partage d'utilisation. Network Concept : Le sujet est l'unité minimale , il programmait le système d'exploitation. [douzième3]: 1 processus est constitué d'un flux ou d'une autre comparaison, le flux occupe moins de ressources, plus efficace et de nombreux flux de processus de partage de la mémoire pendant l'exécution, sans doute plus, le thème peut communiquer entre eux. La programmation multi-processus de Python est principalement basée sur des modules filetés Thème de communication : Il existe deux manières, l'une est la clé ci-dessus et MuTex garantit qu'un seul flux a une amendement à tout moment. Capacité des variables globales. Un autre est d'utiliser la file d'attente de messages, le fabricant classique, le modèle de consommation est le cas, responsable de la création d'un produit responsable de la consommation, des produits créés dans la file d'attente et la communication entre différents sujets. Multi-processus avec une distance multi-filetée , car la création d'un processus relative à la répartition des ressources et le recyclage du système, il est assisté plus clair que l'aérien multi- fileté. Script d'application pour le codeN CPU profond (en tant que calcul cyclique) - Performances multi-processus plus élevées dans le code IO de code (telles que lors de la mise en œuvre de fichiers de fonctionnement, de reptiles de métro) - Performance multi-threads plus élevée Raison : Pour des activités approfondies de l'IO, la plupart des temps de consommation sont réellement du temps d'attente, la CPU n'a pas besoin de travailler dans le temps d'attente. Après cela, vous pouvez fournir des ressources à double processeur pendant cette période. Deux gestionnaires de la CPU sont définitivement CPU pour le code spécialisé de la CPU. Alors, pourquoi multiples flux utiles pour le code intensif io? À ce stade, parce que Python est venu attendre qu'un nouveau flux à l'aide de GIL soit utilisé, la transition entre les flux a été déployée. Cet article a été introduit dans cet article sur la relation multi-threadé de Python et la relation multi-traitement. Auteur: PY Cet article est copié partagé, s'il est pertinent pour fonctionner, le droit d'auteur, etc veuillez nous contacter pour supprimer pour la première fois (Micro Signal: AmourDATA0520)