起因是在处理一个需要大量计算且批量生成文件的程序时，使用多线程的方法处理计算任务加速效果不理想，后来采用了多进程的方式加速效果很好，所以花点时间探究一下两者之间的区别。
目录
1. 多线程（multi-thread）
因为受到python爬虫一类的程序影响，加速首先想到的是多线程。对于爬虫这种IO密集型的程序来说，确实是多线程在加速方面有更好的表现。IO密集型指的是系统运作大部分的情况是CPU在等 I/O（硬盘/内存/网络等等）的读/写操作，这时候CPU的占用率是非常低的（这也是多进程加速表现不明显的原因）。多线程实现的本质是cpu的并发执行，并发执行其实就是cpu轮流执行不同的任务。对于IO密集型，CPU占用率低，一个任务执行后需要CPU一直等待，如果使用多线程对程序进行并发执行，那么CPU在原本等待的时间就可以执行其他任务，进而加速程序的执行。
2. 多进程（multi-process）
如果一个任务IO的占用时间很少，但CPU的占用率非常高，那么就不适合用多线程来加速了（甚至可能让程序变得更慢）。多进程在这种任务上的加速效果就非常明显，本质上是CPU的并行执行。并行执行主要是利用CPU的多个核心处理器，如果CPU只有单核，那么则无法并行执行。可以理解成，对于CPU密集型，多进程调用CPU的多个核心处理器，同时处理计算任务，加快程序的执行。
3. 实例说明
import time
import threading
from multiprocessing import Process, Pool
def calculation(n):
for i in range(0, n):
for j in range(0, n*n):
t = i*j
def thread():
t = threading.Thread(target=calculation, args=(1000,))
start = time.time()
t.start()
t.join()
print("multi thread time consumption: ", time.time() - start, 's')
def process():
p = Pool(12)
for i in range(0,12):
p.apply_async(calculation, args=(1000))
start = time.time()
p.close()
p.join()
print("multi process time consumption: ", time.time() - start, 's')
if __name__=='__main__':
thread()
process()运行的结果如下：
multi thread time consumption: 19.517925024032593 s
multi process time consumption: 0.017050981521606445 s发现，对于cpu密集型的任务，多进程的加速效果要远好于多线程。当然，上述两层循环的计算任务的设置，是特别设计适用于多进程加速的。这涉及到并行和并发的深入理解，后面有时间再做详细的总结。
