python 并发

由于要处理大量的数据比对，发现python多线程并不能提高cpu的使用，不管开几个线程，cpu也就是100%左右；

GIL 的迷思：痛并快乐着

GIL 的全程为 Global Interpreter Lock ，意即全局解释器锁。在 Python 语言的主流实现 CPython 中，GIL 是一个货真价实的全局线程锁，在解释器解释执行任何 Python 代码时，都需要先获得这把锁才行，在遇到 I/O 操作时会释放这把锁。如果是纯计算的程序，没有 I/O 操作，解释器会每隔 100 次操作就释放这把锁，让别的线程有机会执行（这个次数可以通过 sys.setcheckinterval 来调整）。所以虽然 CPython 的线程库直接封装操作系统的原生线程，但 CPython 进程做为一个整体，同一时间只会有一个获得了 GIL 的线程在跑，其它的线程都处于等待状态等着 GIL 的释放。这也就解释了我们两个死循环的实验结果：虽然有两个死循环的线程，而且有两个物理 CPU 内核，但因为 GIL 的限制，两个线程只是做着分时切换，总的 CPU 占用率还略低于 50％。

好在python2.6引入了多进程。测试发现处理性能有明显提升，但是进程多了，又受其他资源限制，例如io等，还是不要太贪心哦。。。。

#encoding=utf-8
import multiprocessing
import time
import os
测试多进程创建空文件夹性能
def dead_circle():
    for i in range(3000):
        fp=open('process'+str(i),'w')
        fp.truncate()
        fp.close()
if __name__=='__main__':
    os.chdir('E:\\')
    if os.path.exists('process'):
        pass
    else:
        os.mkdir('process')
    os.chdir('process')
    print os.getcwd()
    #打印开始时间
    print time.ctime()
    #进程个数，目前设置4
    pool=multiprocessing.Pool(processes=4)
    for i in range(10):
        pool.apply_async(dead_circle,())
    pool.close()
    pool.join()
    #打印结束时间
    print time.ctime()