面试题：Python数字序列迭代优化之多线程与异步处理

1. 使用多线程优化计算过程

import threading
from concurrent.futures import ThreadPoolExecutor


def complex_calculation(num):
    # 这里以计算数字的所有因数之和为例
    factors = []
    for i in range(1, num + 1):
        if num % i == 0:
            factors.append(i)
    return sum(factors)


def multithreaded_computation(numbers, num_threads):
    results = []
    lock = threading.Lock()

    def worker(num):
        result = complex_calculation(num)
        with lock:
            results.append(result)

    with ThreadPoolExecutor(max_workers=num_threads) as executor:
        executor.map(worker, numbers)

    return results

2. 使用异步编程优化计算过程

import asyncio


async def complex_calculation_async(num):
    # 这里以计算数字的所有因数之和为例
    factors = []
    for i in range(1, num + 1):
        if num % i == 0:
            factors.append(i)
    return sum(factors)


async def async_computation(numbers):
    tasks = [complex_calculation_async(num) for num in numbers]
    results = await asyncio.gather(*tasks)
    return results

3. 性能瓶颈及优化

多线程性能瓶颈及优化：
- 性能瓶颈：Python的多线程由于GIL（全局解释器锁）的存在，在CPU密集型任务中，同一时间只有一个线程能真正执行CPU指令。这会导致多线程在计算密集型任务中无法充分利用多核CPU的优势。
- 优化方式：调整线程数。对于I/O密集型任务，适当增加线程数可以提高效率，但对于CPU密集型任务，过多的线程数会增加线程切换的开销，反而降低效率。一般可以通过实验不同的线程数，找到一个较优的线程数。例如，可以从2开始，每次翻倍，测试不同线程数下的运行时间，找到使运行时间最短的线程数。
异步编程性能瓶颈及优化：
- 性能瓶颈：在异步任务中，如果存在大量的I/O等待，异步编程能显著提高效率。但如果任务本身是CPU密集型，将其异步化并不能带来明显的性能提升，因为异步编程主要是通过事件循环在任务的I/O等待期间切换执行其他任务，而CPU密集型任务几乎没有I/O等待时间。
- 优化方式：合理调度异步任务。避免在异步任务中出现长时间阻塞的操作。例如，如果在异步函数中有一些不可避免的阻塞操作，可以将其放在线程池中运行，这样可以利用多线程处理阻塞操作，同时利用异步的优势管理任务。

4. 不同方法的适用性

多线程：适用于I/O密集型任务，例如网络请求、文件读写等。在这些场景下，线程在等待I/O操作完成时会释放GIL，其他线程可以利用这段时间执行，从而提高整体效率。
异步编程：同样适用于I/O密集型任务，并且在高并发场景下表现更优。因为异步编程不需要像多线程那样创建和管理大量的线程资源，而是通过事件循环和协程来实现任务切换，开销更小。但对于CPU密集型任务，无论是多线程还是异步编程，都无法充分利用多核CPU的优势，此时可能需要考虑使用多进程编程或者使用Cython等工具将Python代码转换为C代码以提高执行效率。

星途面试题库

面试题：Python数字序列迭代优化之多线程与异步处理

知识考点

面试题答案

1. 使用多线程优化计算过程

2. 使用异步编程优化计算过程

3. 性能瓶颈及优化

4. 不同方法的适用性