python中的多线程模块比多处理慢

我发现对于同一个任务，线程模块比多重处理花费更多的时间

import time
import threading
import multiprocessing

def func():
    result = 0
    for i in xrange(10**8):
        result += i

num_jobs = 10


# 1. measure, how long it takes 10 consistent func() executions 
t = time.time()
for _ in xrange(num_jobs):
    func()
print ("10 consistent func executions takes:\n{:.2f} seconds\n".format(time.time() - t))        

# 2. threading module, 10 jobs
jobs = []
for _ in xrange(num_jobs):
    jobs.append(threading.Thread(target = func, args=()))
t = time.time()
for job in jobs:
    job.start()
for job in jobs:
    job.join()      
print ("10 func executions in parallel (threading module) takes:\n{:.2f} seconds\n".format(time.time() - t))        

# 3. multiprocessing module, 10 jobs
jobs = []
for _ in xrange(num_jobs):
    jobs.append(multiprocessing.Process(target = func, args=()))
t = time.time()
for job in jobs:
    job.start()
for job in jobs:
    job.join()
print ("10  func executions in parallel (multiprocessing module) takes:\n{:.2f} seconds\n".format(time.time() - t))  

结果:

10个一致的func执行需要： 25.66秒

并行线程模块中的10个func执行需要： 46秒

并行多处理模块中的10个func执行需要： 7.92秒

1为什么使用多处理模块的实现比使用线程模块的实现效果更好

---

2为什么一致的func执行比使用线程模块花费更少的时间？

您的两个问题都可以通过以下摘录得到答案：

CPython解释器使用的机制，用于确保一次只有一个线程执行Python字节码。通过使包含关键内置类型（如dict）的对象模型对并发访问具有隐式安全性，从而简化了CPython实现。锁定整个解释器使解释器更容易成为多线程的解释器，而牺牲了多处理器机器提供的大部分并行性

我的。最后，您将花费大量时间在线程之间切换，以确保它们都运行到完成。这就像把一根绳子切成小块，然后再把它们绑在一起，一次一根绳子

---

由于每个进程都在自己的地址空间中执行，因此使用多处理模块的结果与预期一致。除了位于同一进程组和具有相同的父进程之外，这些进程彼此独立。

@AnthonySottile，谢谢，但我的问题要宽泛一点——你的链接问题其实不是——这个问题和几个答案都详细说明了，由于全局解释器锁，对于cpu限制的操作，线程通常会变慢，而且多处理和线程都会有一些启动成本。在这种情况下，线程速度如此缓慢的原因是由于GIL和上下文切换。