为了提高程序并行运行的效率，我们会采取多进程和多线程的方法。
通常来说，多进程适用于计算密集型任务，多线程适用于IO密集型任务，如网络爬虫。
关于多线程和多进程的区别，请参考这个表格。
参考资料： 多线程和多进程的区别
下面将使用python标准库的multiprocessing包来尝试多线程的操作，在python中调用多线程要使用multiprocessing.dummy，如果是多进程则去掉dummy即可。
提醒特别注意，这里的多线程仍然会受到GIL（全局解释器锁）的限制，理论上并没有真正做到并发，只是在IO密集型中的任务中可以利用等待时间切换到其他线程。
from
结果非常地amazing，使用普通循环方法耗时约6s，而使用多线程方法则只要1s。
在这一部分中我们使用了map_async这个函数，此外还有一种调用多线程的方法apply_async，区别在于map_async函数只能接受单一参数，通过将迭代器分块的方式来执行，而apply函数支持传入多个参数。在这个例子中用apply_async也大约耗时1s。
start2
此外还有两个简化方法map，apply，和上面介绍的方法在于这两个方法是非异步阻塞型的，也就是一个线程出问题会将整个进程卡住。
这里稍微改动geturl函数，创建一个空列表观察哪些网址被正常运行了。当使用apply_aysnc或是map_async时程序正常运行并结束，最后的list中包含7个元素，除了那个无效网址，而当仅仅使用apply或map时我们发现，因为这个无效的网址堵塞，程序报错并退出了。
list
apply_async和map_async方法还有一个参数是回调函数，使用方法相同，区别在于前者是逐一返回回调函数，而后者则要再所有网址运行完后一次性返回，以apply_async为例：
def
