OGR / GDAL线程导致内核利用率低

我正在尝试使用ogr / gdal处理一些栅格数据，但似乎无法充分利用计算机上的所有内核。当我仅在单个内核上运行该进程时，该内核的利用率为100％。当我尝试拆分为多核时（在下面的示例中，通过对x偏移量进行分块并将它们放入队列中），我的8个内核中的每个内核都得到了可悲的利用。看起来每个内核的利用率仅相加达到100％（例如，每个内核的利用率为12.5％）。

我担心使用相同的数据源是瓶颈，但是后来我为每个核心复制了底层栅格文件...并且核心利用率仍然很低。这使我相信，ogr或gdal某种程度上表现得像瓶颈共享资源，但是我在网上找不到任何东西。任何帮助将非常感激！

这是在每个辅助线程中运行的“帮助器”功能：

def find_pixels_intersect_helper(datasource, bounds_wkt, x_min, x_max):
    bounds = ogr.CreateGeometryFromWkt(bounds_wkt)
    rows_to_write = []
    for x_offset in range(x_min, x_max):
        for y_offset in range(datasource.RasterYSize):
            pxl_bounds_wkt = pix_to_wkt(datasource, x_offset, y_offset)
            pxl_bounds = ogr.CreateGeometryFromWkt(pxl_bounds_wkt)
            if pxl_bounds.Intersect(bounds):
                rows_to_write.append(['%s_%s' % (x_offset, y_offset), pxl_bounds.Centroid().ExportToWkt()])

好。那是我生命中的一天，我再也不会回来了。原来问题不在我上面发布的代码中。很好 原来，这是threading.Thread与multiprocessing.Process的一种情况。

如python文档中指出的：

多处理程序包同时提供本地和远程并发性，通过使用子进程而不是线程来有效地避开全局解释器锁。因此，多处理模块允许程序员充分利用给定机器上的多个处理器

因此，threading.Thread用于IO密集型操作，multiprocessing.Process用于CPU密集型操作。我切换到multiprocessing.Process，一切都很好。

查看本教程以了解如何使用multiprocessing.Process