怎样做简单公司网站武汉做seo
一、multiprocessing（多进程）
1. 模块简介
- 作用：创建多个独立运行的进程（每个进程有独立内存空间）
- 适用场景：数学计算、图像处理等CPU密集型任务
- 核心原理：绕过Python的GIL锁，真正利用多核CPU
2. 案例详解：并行计算平方和
import multiprocessing
import time# 计算平方的任务函数
def calculate_square(number):total = 0for n in range(number):total += n ** 2print(f"计算结果：{total}")if __name__ == "__main__": # 必须加这句，否则Windows系统会报错# 创建4个进程processes = []numbers = [10_000_000, 10_000_000, 10_000_000, 10_000_000] # 四个大数# 记录开始时间start_time = time.time()# 创建并启动进程for num in numbers:p = multiprocessing.Process(target=calculate_square, args=(num,))processes.append(p)p.start() # 启动进程（会立即返回，不会等待完成）# 等待所有进程完成for p in processes:p.join() # 阻塞主进程，直到子进程结束# 计算总耗时print(f"总耗时：{time.time() - start_time:.2f}秒")
3. 实现逻辑
主进程（老板）│├─ 子进程1（员工1）→ 独立计算├─ 子进程2（员工2）→ 独立计算├─ 子进程3（员工3）→ 独立计算└─ 子进程4（员工4）→ 独立计算
4. 注意事项
- 进程间不能直接共享变量，需使用
Queue或Pipe通信 - 每个进程消耗更多内存（独立内存空间）
- 适合处理相互独立的任务（如同时处理多个文件）
二、threading（多线程）
1. 模块简介
- 作用：创建多个线程（共享同一进程内存）
- 适用场景：文件读写、网络请求等I/O等待型任务
- 核心特点：受GIL限制，同一时刻只能有一个线程执行Python字节码
2. 案例详解：同时下载文件与显示进度条
import threading
import time
import requests# 全局变量（线程共享）
download_complete = Falsedef download_file(url):global download_completeprint("开始下载文件...")response = requests.get(url)with open("bigfile.iso", "wb") as f:f.write(response.content)download_complete = Trueprint("\n下载完成！")def show_progress():while not download_complete:print(".", end="", flush=True) # 不换行输出点time.sleep(0.5)if __name__ == "__main__":# 创建两个线程download_thread = threading.Thread(target=download_file, args=("https://example.com/large-file.iso",))progress_thread = threading.Thread(target=show_progress)# 启动线程download_thread.start()progress_thread.start()# 等待下载线程完成download_thread.join()progress_thread.join() # 需要手动停止进度条线程
3. 实现逻辑
主线程│├─ 下载线程 → 执行下载（遇到网络等待时，GIL释放）└─ 进度条线程 → 打印进度点
4. 注意事项
- 共享变量需使用
Lock避免数据竞争 - 线程适合需要频繁共享数据的场景（如GUI程序）
- 不要用多线程做数学计算（反而会更慢）
三、asyncio（协程）
1. 模块简介
- 作用：单线程内通过任务切换实现高并发
- 适用场景：Web服务器、高频I/O操作（如爬虫）
- 核心机制：事件循环（Event Loop）驱动协程切换
2. 案例详解：异步批量请求网页
import asyncio
import aiohttp # 需要安装：pip install aiohttpasync def fetch_page(url):async with aiohttp.ClientSession() as session: # 创建会话async with session.get(url) as response: # 发起请求return await response.text() # 异步等待响应async def main():urls = ["https://www.baidu.com","https://www.taobao.com","https://www.jd.com"]# 创建任务列表tasks = [fetch_page(url) for url in urls]# 并行执行所有任务pages = await asyncio.gather(*tasks) # 关键点：聚集任务# 输出结果for url, content in zip(urls, pages):print(f"{url} → 长度：{len(content)}")# 启动事件循环
asyncio.run(main()) # Python 3.7+
3. 实现逻辑
事件循环（总调度员）│├─ 任务1：请求百度 → 遇到等待 → 挂起├─ 任务2：请求淘宝 → 遇到等待 → 挂起└─ 任务3：请求京东 → 遇到等待 → 挂起当某个请求返回时，恢复对应任务执行
4. 注意事项
- 协程函数必须用
async def定义 - 阻塞操作必须用
await（否则会阻塞整个事件循环） - 需要配合异步库使用（如
aiohttp代替requests）
三者的核心区别总结
| 特性 | multiprocessing | threading | asyncio |
|---|---|---|---|
| 并行能力 | 真正多核并行 | 伪并行（受GIL限制） | 单线程并发 |
| 内存占用 | 高（独立内存空间） | 低（共享内存） | 最低 |
| 适用场景 | CPU密集型任务 | I/O密集型任务 | 超高并发I/O任务 |
| 代码复杂度 | 中等（需处理进程通信） | 低（但需处理锁） | 高（需理解异步语法） |
如何选择？
- 需要数学计算加速 → 选
multiprocessing - 简单I/O操作（如文件读写） → 选
threading - 高性能网络请求（如爬虫） → 选
asyncio - 混合型任务 → 组合使用（如多进程+协程）
通过这三个案例，可以明显看出：多进程像多个独立工厂，多线程像工厂内多个协作工人，协程则像一个人用超高效的时间管理法。理解这个核心差异后，就能根据实际需求选择合适的工具了。