面试题：Python单线程和多线程在I/O密集型任务下的性能差异分析

单线程在I/O密集型场景的性能表现

优势：
- 资源开销小：无需额外的线程创建、销毁以及上下文切换开销，程序占用内存和系统资源相对较少。
- 编程简单：不存在线程安全问题，代码逻辑相对清晰，调试和维护更容易。
不足：
- 阻塞问题：遇到I/O操作时，线程会阻塞等待I/O完成，期间无法执行其他任务，导致CPU利用率低，整体效率不高。

多线程在I/O密集型场景的性能表现

优势：
- 提高并发度：多个线程可以同时发起I/O请求，在一个线程等待I/O操作完成时，其他线程可以继续执行，从而提高整体的I/O操作并发度，有效利用CPU空闲时间，提升程序执行效率。
不足：
- 资源开销：线程创建、销毁以及上下文切换需要消耗一定的系统资源，线程数量过多时，这些开销可能会抵消多线程带来的性能提升。
- 线程安全：多线程访问共享资源时，可能会出现数据竞争和线程安全问题，需要额外的同步机制（如锁）来保证数据一致性，但这又可能引入死锁等新问题，增加编程复杂度。

代码示例

import threading
import time


def io_bound_task():
    time.sleep(1)  # 模拟I/O操作，如网络请求或文件读写
    print('Task completed')


if __name__ == '__main__':
    start_time = time.time()
    # 单线程执行
    for _ in range(5):
        io_bound_task()
    single_thread_time = time.time() - start_time
    print(f'Single - thread time: {single_thread_time} seconds')

    start_time = time.time()
    # 多线程执行
    threads = []
    for _ in range(5):
        t = threading.Thread(target=io_bound_task)
        threads.append(t)
        t.start()
    for t in threads:
        t.join()
    multi_thread_time = time.time() - start_time
    print(f'Multi - thread time: {multi_thread_time} seconds')

在上述代码中，io_bound_task函数使用time.sleep模拟I/O操作。首先单线程循环执行5次该任务，记录执行时间；然后通过多线程创建5个线程执行相同任务，同样记录执行时间。一般情况下，多线程执行时间会比单线程短，体现了多线程在I/O密集型任务中的性能优势。

星途面试题库

面试题：Python单线程和多线程在I/O密集型任务下的性能差异分析

知识考点

面试题答案

单线程在I/O密集型场景的性能表现

多线程在I/O密集型场景的性能表现

代码示例