多线程还是多进程哪个更快？如何显示进度？

问题遇到的现象和发生背景

有如下爬取网上股票数据的代码，经天元浪子 提示这个属于多进程运行。请问在这个程序里，多线程和多进程哪个更高效合适？因为要获取全部股票数据有五千个，用哪个最能节省时间？另外我想显示完成进度（已完成数/总数），应该怎样加代码？不胜感激。

问题相关代码，请勿粘贴截图

import pandas as pd
import os
from multiprocessing.pool import Pool

def updateStock_pool_per(arg_list):
    download_url = arg_list[0]
    stock_path = arg_list[1]
    stock_code = arg_list[2]
    df = pd.read_csv(download_url, encoding='gbk')  # 直接将网上的文件数据读取下来
    path = os.path.join(stock_path, stock_code + '.csv')
    df.to_csv(path, index=False, encoding='gbk')  # 保存到文件
    return stock_code

def updateStock(stock_path, stock_code_list):
    arg_list = []
    for stock_code in stock_code_list:
        download_url = 'http://quotes.money.163.com/service/chddata.html?code=' + stock_code + '&start=20220719&end=20220819&fields=TCLOSE;HIGH;LOW;TOPEN;LCLOSE;VOTURNOVER;VATURNOVER;TCAP;MCAP'  # 构造url
        list_ = [download_url, stock_path, stock_code]
        arg_list.append(list_)

    # pool 每组参数只有一个，多参数封装list中list传入
    with Pool(processes=4) as pool:
        update_success_list = pool.map(updateStock_pool_per, arg_list) 
    print('*' * 50)
    update_all_count = len(stock_code_list)  # 一共需要更新的股票数量
    update_success_count = len(update_success_list)

    update_fail_list = []
    for m in stock_code_list:
        if m not in update_success_list:
            update_fail_list.append(m)
    update_fail_count = len(update_fail_list)
    print('共准备更新 {} 支股票， {} 支股票增加数据， {} 支股票下载数据有错'.format(update_all_count, update_success_count, update_fail_count))
    if update_fail_list:
        print(f'下载以下股票时出错\n{update_fail_list}')


if __name__ == '__main__':
    stock_path = r'C:\Users\Administrator\Desktop\stock'
    stock_code_list = ['1002296', '1002364', '1000826', '0600981', '1000997', '1000901', '1300291', '1300002', '1002051', '1300252']
    updateStock(stock_path, stock_code_list)

我想要达到的结果

1多线程和多进程哪个更快，给出代码。2显示进度。

Python中单线程、多线程和多进程的效率对比实验
https://www.runoob.com/w3cnote/python-single-thread-multi-thread-and-multi-process.html

一般而言，对于计算密集型的任务，多线程处理并不能提高效率，多进程技术则是有效的；对于IO密集型的任务，采用多线程或协程是可以提速的。题主的问题，属于数据抓取，瓶颈在于IO，包括网络IO和磁盘IO，因此建议使用多进程+多线程或协程的组合方案，比如，启用4进程或8进程，每个进程启动5-10个抓取线程，更极端地，还可以在线程内使用协程。下面是一个多进程+线程池的demo，主进程可以显示当前处理进度，供参考。

import time, random
import multiprocessing as mp
from concurrent.futures import ThreadPoolExecutor

n_processing = 4 # 启用处理进程数量
n_threading = 10 # 进程内线程池大小

lock = mp.Lock() # 创建互斥锁
counter = mp.Value('i', 0) # i表示整型

def func_threading(args):
    """线程程函数"""
    
    code, lock, counter = args
    
    # 用sleep模拟做点什么，随机延时0.5~2.5秒
    time.sleep(random.random()*2 + 0.5)
    
    lock.acquire()
    counter.value = counter.value + 1
    lock.release()

def func_processing(codes, lock, counter):
    """进程函数（使用线程池）"""
    
    with ThreadPoolExecutor(max_workers=n_threading) as pool: # 线程池
        result = pool.map(func_threading, [(code, lock, counter) for code in codes])    
 
if __name__ == '__main__':
    stock_codes = [
        '1002296', '1002364', '1000826', '0600981', '1000997', 
        '1000901', '1300291', '1300002', '1002051', '1300252', 
        '2002296', '2002364', '2000826', '2600981', '2000997', 
        '3002296', '3002364', '3000826', '3600981', '3000997'
    ]
    total = len(stock_codes)
    piece = int(round(total/n_processing))
    
    for i in range(n_processing):
        stock_codes[i*piece : (i+1)*piece]
        p = mp.Process(target=func_processing, args=(stock_codes[i*piece : (i+1)*piece], lock, counter))
        p.daemon = True
        p.start()
    
    while True:
       k = counter.value
       s = '\r已完成：%d/%d'%(k, total)
       print(s.rjust(20), end='', flush=True)
       time.sleep(0.2)
    
       if k == total:
            break

关于进程、线程和协程，有兴趣可以参考一下我的这一篇博客：

另外，前面有同学说Python的多进程是假的，也算见仁见智吧。不过，这个说法估计只能算一家之言，不是圈内共识。

进程和线程并不影响
你一个进程可以多个线程
然后你可以多个进程 多个线程

玩Python 就别想着加速之类的了，投入精力大收益小。多进程也提高不了多少，资源占用倒是不少。

用多线程就行，发送一个请求算完成一个，多线程+计次循环