进程、线程、协程对比

进程、线程对比

功能

  • 进程,能够完成多任务,比如 在一台电脑上能够同时运行多个QQ
  • 线程,能够完成多任务,比如 一个QQ中的多个聊天窗口

定义的不同

  • 进程是系统进行资源分配和调度的一个独立单位.

  • 线程是进程的一个实体,是CPU调度和分派的基本单位,它是比进程更小的能独立运行的基本单位.线程自己基本上不拥有系统资源,只拥有一点在运行中必不可少的资源(如程序计数器,一组寄存器和栈),但是它可与同属一个进程的其他的线程共享进程所拥有的全部资源.

区别

  • 一个程序至少有一个进程,一个进程至少有一个线程.
  • 线程的划分尺度小于进程(资源比进程少),使得多线程程序的并发性高。
  • 进程在执行过程中拥有独立的内存单元,而多个线程共享内存,从而极大地提高了程序的运行效率
  • 线线程不能够独立执行,必须依存在进程中
  • 可以将进程理解为工厂中的一条流水线,而其中的线程就是这个流水线上的工人

优缺点

线程和进程在使用上各有优缺点:线程执行开销小,但不利于资源的管理和保护;而进程正相反。

 

 

进程、线程、协程对比

请仔细理解如下的通俗描述

  • 有一个老板想要开个工厂进行生产某件商品(例如剪子)
  • 他需要花一些财力物力制作一条生产线,这个生产线上有很多的器件以及材料这些所有的 为了能够生产剪子而准备的资源称之为:进程
  • 只有生产线是不能够进行生产的,所以老板的找个工人来进行生产,这个工人能够利用这些材料最终一步步的将剪子做出来,这个来做事情的工人称之为:线程
  • 这个老板为了提高生产率,想到3种办法:
    1. 在这条生产线上多招些工人,一起来做剪子,这样效率是成倍増长,即单进程 多线程方式
    2. 老板发现这条生产线上的工人不是越多越好,因为一条生产线的资源以及材料毕竟有限,所以老板又花了些财力物力购置了另外一条生产线,然后再招些工人这样效率又再一步提高了,即多进程 多线程方式
    3. 老板发现,现在已经有了很多条生产线,并且每条生产线上已经有很多工人了(即程序是多进程的,每个进程中又有多个线程),为了再次提高效率,老板想了个损招,规定:如果某个员工在上班时临时没事或者再等待某些条件(比如等待另一个工人生产完谋道工序 之后他才能再次工作) ,那么这个员工就利用这个时间去做其它的事情,那么也就是说:如果一个线程等待某些条件,可以充分利用这个时间去做其它事情,其实这就是:协程方式

简单总结

  1. 进程是资源分配的单位
  2. 线程是操作系统调度的单位
  3. 进程切换需要的资源很最大,效率很低
  4. 线程切换需要的资源一般,效率一般(当然了在不考虑GIL的情况下)
  5. 协程切换任务资源很小,效率高
  6. 多进程、多线程根据cpu核数不一样可能是并行的,但是协程是在一个线程中 所以是并发
### 进程线程协程的概念及区别 #### 一、概念定义 - **进程 (Process)** 是指计算机中的程序关于某数据集合上的一次运行活动,是系统进行资源分配的基本单位,也是操作系统结构的基础。在早期面向进程设计的计算机结构中,进程是程序的基本执行实体;而在现代计算架构中,它更多作为线程的容器存在[^1]。 - **线程 (Thread)** 线程是一个进程中可独立调度和执行的最小单元,属于同一进程内的多个线程共享内存空间和其他资源。然而,在某些情况下(如 Python 的 GIL 锁机制下),即使有多个 CPU 核心可用,线程也可能无法实现真正的并行处理[^2]。 - **协程 (Coroutine)** 协程是一种更轻量级的线程替代方案,允许开发者手动控制任务切换的时间点。与传统线程不同的是,协程不依赖于操作系统的调度,而是由程序员显式地决定何时暂停当前任务以及恢复另一个任务的执行状态。这种方式极大地减少了上下文切换开销,并提高了性能效率[^4]。 #### 二、主要特点对比分析 | 特性 | 进程 | 线程 | 协程 | |--------------|-------------------------------|------------------------------|-----------------------------| | 资源消耗 | 较高 | 中等 | 极低 | | 创建销毁成本 | 高 | 较低 | 很低 | | 并发能力 | 受限于硬件资源 | 更强但受限于GIL等问题 | 最灵活 | | 数据共享难度 | 不同进程间需借助IPC等方式通信 | 同一进程下的线程可以直接访问共享变量 | 完全取决于具体实现框架 | #### 三、实际应用场景举例说明 对于需要频繁阻塞等待外部输入输出的应用场景来说,采用基于协程模型构建的服务端可以显著提升吞吐量和服务质量。例如Web服务器Flask如果配合gevent库,则能够轻松应对大量短连接请求带来的压力测试环境[^4]。 另一方面,在科学计算领域或者涉及复杂算法运算的任务里,由于不存在太多I/O瓶颈问题,此时利用多核CPU优势显得尤为重要。这时可以通过创建多个worker process来分担计算负担从而加速整个流程进度[^4]。 最后值得注意的是尽管单一线程可能因为全局解释器锁的存在而导致部分情形下面临性能损失风险,但在很多简单业务逻辑重复执行场合仍然不失为一种简洁高效的解决方案之一[^2]。 ```python from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor def cpu_bound_task(n): total = sum(i * i for i in range(n)) return total with ThreadPoolExecutor(max_workers=4) as pool: results = list(pool.map(cpu_bound_task, [10_000_000]*4)) print(results) import asyncio async def coroutine_example(): await asyncio.sleep(1) print('coroutine finished') loop = asyncio.get_event_loop() loop.run_until_complete(coroutine_example()) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值