[]时间管理很重要：Python代码的优化之道( 二 )

但这并不意味着它没有用。这是一种强大的范例，可用于许多高性能应用程序。

本文插图
4.使用多线程
多数软件系统为I/O密集型，而非计算密集型：
· I/O密集型 —软件系统通常在等待输入/输出操作完成。从网络或慢速存储器中获取数据时通常是这种情况。
· 计算密集型 —软件系统使CPU（中央处理器）达到极限。它使用CPU的所有功能来生成所需的结果。
在从网络或磁盘中等待回答时，可以使用多个线程维持其他部分的运行。
线程是独立的执行序列。默认情况下， Python程序具有一个主线程。但可以创建更多线程，并让Python在不同线程之间转换。这种转换发生非常快，显得似乎在同时并排运行。

本文插图
线程是独立的执行序列，共享相同的存储
不同于其他语言， Python多线程不能同时运行，而是轮流运行，这主要是因为它的全局解释器锁（GIL）的机制。
可见，多线程将对I / O密集型软件系统产生巨大影响，但对计算密集型软件系统而言用途甚微。
为何会这样？很简单。当一个线程等待来自网络的回答时，其他线程能够继续运行。如果执行大量网络请求，使用多线程会大有不同。但如果多线程正在执行大量计算，则它们只是等候自己的轮次再继续执行。线程只会引入更多的开销。

本文插图
图源：fadeevab

本文插图
5. 同时使用更多处理器
如果软件系统为计算密集型，则通常可以通过同时使用更多处理器的方式来重写代码。这样，就可以线性扩展执行速度。
这被称做并行性。并非所有算法都可以并行运行。例如，简单地并行化递归算法是不可能的。但是几乎总会有一种替代算法可以很好地进行并行工作。
有两种使用更多处理器的方式：
1. 在同一台计算机上使用多个处理器和/或内核。在Python中，这可以通过使用多处理库来完成。
2. 用计算机网络来使用分布在多台机器上的处理器。我们称其为分布式计算。
不同于线程库，多处理库绕过了Python全局解释器锁。它实际上是通过生成多个Python实例来实现的。因此，使用多线程在一个Python进程中轮流执行，你将拥有多个Python处理器来同时运行代码。

本文插图
可视化多处理
多处理库又与线程库十分相似。那为什么还要考虑线程化？没错，线程处理“更轻便” 。它只需要一个正在运行的Python解释器，所需的内存更少，生成新进程也有其开销。因此，如果代码为I/O密集型，使用线程可能足够了。
使软件系统并行工作后，将分布式计算与诸如Hadoop之类的功能结合使用仅需一小步。通过利用云计算平台，目前可以相对轻松地加快运行速度。例如，可以在云中处理庞大的数据集，并在本地使用结果。使用混合操作方式，可以节省一些现金，要知道，云平台的计算功能可是非常昂贵的。

本文插图
图源：unsplash
希望以上这些小技巧能够帮你拥有更快更强的代码。