Python 的GIL限制了多核CPU的性能，对于IO密集型的程序，采用多线程能显著提高运行速度；但对于计算密集型的程序，多线程就没多少用了，采用多进程编程，就能充分利用多核CPU的性能，CPU占用率能达到100%。

下面是在阿里云服务器上测试的数据：

配置：CPU：Xeon, E5-2680, 2.5GHz, 4核; 内存：16G, DDR4; 硬盘：100G, SSD

def run():
    pool = multiprocessing.Pool(processes = 8)
    result = []
    contents = []
    for ix, row in df.iterrows():
        content = row['title'] + " " + row['content']
        contents.append(content)
    result = pool.map(get_one_article_keys, contents)
    pool.close()
    pool.join()
    t1 = time.time()
    print 'time pass:{:.3f}'.format(t1-t0)

def get_one_article_keys(content):
    try:
        tags2 = jieba.analyse.textrank(content, topK=20)
        print multiprocessing.current_process()
        return ','.join(tags2)
    except Exception,e:
        print "get_one_article_keys():%s" % str(e)
        return ''

执行计算密集型任务的结果：

multi_way	Processes	Time(s)
多进程	4	378
多进程	8	381
多进程	20	464
多线程	8	3174

对于一台四核的机器，设置进程数为对应的内核数，效率是最高的；当设置比内核多的进程时，在创建python进程时开销占时比较多，造成设置为20个进程数时，时间比4个进程多了1分钟多。
因此，设置进程数与实际内核数相同，运行最快。

获取内核数: multiprocessing.cpu_count()

一、多进程编程

1，map方式

import multiprocessing
import time

def do_something(i):
    time.sleep(i)
    print 'good:%d' % i
    return 'good:%d' % i

print multiprocessing.cpu_count()
pool = multiprocessing.Pool(processes = 4)
result = pool.map(do_something, range(10)）
pool.close()
pool.join()
for res in result:
    print res

result 可以得到多进程执行do_something返回的结果，为list

1，map方式为阻塞模式，主进程必须等待所有子进程执行完毕了才能继续；
2，还有一种方式为非阻塞模式，map_async，主进程不等待子进程是否完毕，接着向下执行。

2，apply 方式

...
result = []
for i in range(10):
    result.append(pool.apply(do_something, (i,)))
...

同map_async一样，还有非阻塞模式 apply_async。

二、多线程编程

多线程实现也非常简单，跟多进程基本一样，只是创建pool时略有不同。

from multiprocessing.dummy import Pool as ThreadPool
import time

def do_something(i):
    time.sleep(i)
    print 'good:%d' % i
    return 'good:%d' % i

pool = ThreadPool(processes = 4)
result = pool.map(do_something, range(10)）
pool.close()
pool.join()
for res in result:
    print res