在 Python 中多线程threading和多进程multiprocessing是并行处理的常用工具但它们的适用场景不同。以下我将基于核心概念逐步梳理知识点确保内容真实可靠。1、有了多线程 threading为什么还要用多进程 multiprocessing1.GIL全局解释器锁简介GIL 是 CPython 解释器的核心机制它确保同一时间只有一个线程能执行 Python 字节码。简单来说GIL 像一个“CPU 使用权通行证”一个 CPU 核心只有一张通行证线程必须轮流获取它才能运行。默认情况下线程运行约 100 个 CPU 时间片ticks后释放 GIL允许其他线程抢锁。这导致多线程无法真正并行尤其在计算密集型任务中成为瓶颈。2.IO 密集型任务与多线程优势IO 密集型任务指程序大部分时间在等待输入/输出操作如网络请求、文件读写而非 CPU 计算。例如Web 服务或爬虫中90% 时间线程处于阻塞状态。执行流程线程 1 获取 GIL 开始运行遇到 IO 操作如读文件主动释放 GIL 并进入阻塞。线程 2 抢到 GIL 运行线程 3 也可在 IO 阻塞时介入。线程 1 IO 完成后重新抢 GIL 继续执行。通俗解释这类似“多人排队用打印机”一个人打印时换纸IO 阻塞就把打印机让给下一个人所有人重叠等待时间总效率提升。多线程在 IO 密集型场景能加速因为线程在 IO 时释放 GIL允许其他线程利用 CPU 空闲时间。结论对于 IO 密集型任务如爬虫、Web 服务多线程是高效选择它能减少等待时间提升性能。3.CPU 密集型任务与多线程劣势CPU 密集型任务指程序大部分时间在占用 CPU 进行计算如大数据处理、AI 训练几乎没有 IO 等待。例如加密解密或数值计算中线程 100% 时间消耗 CPU。执行流程线程获取 GIL 运行约 100 ticks纯计算。时间片用完线程释放 GIL 并尝试重新抢锁。重复过程计算→释放→抢锁→计算...通俗解释这类似“多人排队用计算器算数学题”每人算 100 步后必须让出计算器所有人频繁切换大部分时间浪费在抢锁和上下文切换上总时间反而比单线程更长。结论对于 CPU 密集型任务多线程不仅无法利用多核 CPUGIL 限制还增加了线程切换开销导致性能下降。4.核心结论IO 密集型优先使用多线程它能重叠等待时间加速执行。CPU 密集型使用多进程它绕过 GIL 实现真正并行提升性能。最佳实践在实际开发中根据任务类型选择工具。multiprocessing是 Python 弥补 GIL 缺陷的标准方案但进程创建开销较大需权衡使用。2、多进程 multiprocessing1、知识梳理以下表格总结了多线程和多进程的核心区别覆盖了导入模块、创建任务、启动、等待结束、数据通信、加锁安全、池化技术、GIL 限制、资源开销和适用场景等关键点。表格基于样例优化调整添加了额外注释以增强可理解性。对比项目多线程threading多进程multiprocessing核心注释与扩展说明导入模块from threading import Threadfrom multiprocessing import Process用法几乎一样只是模块名不同。多进程需注意 Windows 系统下的if __name__ __main__保护。创建任务t Thread(targetfunc, args())p Process(targetfunc, args())创建方式完全相同都基于函数或可调用对象。示例代码brpythonbrdef task():br print(Running task)brt Thread(targettask) # 线程brp Process(targettask) # 进程br启动t.start()p.start()启动语法一模一样调用start()方法后任务开始执行。需注意进程启动较慢可能影响性能。等待结束t.join()p.join()等待子任务执行完成语法相同。join()可设置超时参数如join(timeout5)。数据通信import queuebrq queue.Queue()from multiprocessing import Queuebrq Queue()线程共享内存可直接使用queue.Queue进程内存独立必须用multiprocessing.Queue或Pipe、Manager等 IPC 机制。扩展进程间通信还可使用multiprocessing.Pipe()或共享内存如Value、Array。加锁安全from threading import Lockfrom multiprocessing import Lock防止多任务同时修改数据导致错乱。锁用法相同brpythonbrlock Lock()brwith lock:br # 临界区代码br池化技术from concurrent.futures import ThreadPoolExecutorfrom concurrent.futures import ProcessPoolExecutor自动管理任务池无需手动创建/销毁。池化优势简化并发限制资源使用。示例brpythonbrwith ProcessPoolExecutor() as executor:br results executor.map(func, data_list)brGIL 限制受限制不能真正并行GIL 导致同一时间仅一个线程执行 Python 字节码无限制真正多核并行每个进程有独立解释器和内存GILGlobal Interpreter Lock是 Python 解释器的特性。进程不受 GIL 影响可充分利用多核 CPU。资源开销小启动快线程是轻量级共享父进程资源大启动慢进程重量级需复制内存和资源线程开销低适合快速任务进程开销高但并行性强。实际中进程启动时间可能达毫秒级。适用场景IO 密集型如爬虫、Web 请求、文件读写CPU 密集型如计算、AI 模型训练、加密等得多IO 等待用线程算得多CPU 计算用进程。混合场景可结合两者如进程池 线程。2. 扩展知识点与最佳实践在样例基础上添加了以下内容以丰富知识梳理为什么进程不受 GIL 影响GIL 是 Python 解释器的全局锁用于线程安全但限制了多线程并行性。多进程通过创建独立的 Python 解释器实例每个进程有自己的 GIL实现了真正的并行计算。这使得多进程在 CPU 密集型任务中效率更高。数据通信细节进程间通信IPC是 multiprocessing 的关键挑战。除了Queue常用方法包括Pipe()提供单向或双向通信通道。Manager()创建共享状态如列表、字典但性能较低。共享内存使用Value或Array直接共享数据需谨慎同步。 示例代码from multiprocessing import Pipe parent_conn, child_conn Pipe() p Process(targetchild_task, args(child_conn,)) p.start() parent_conn.send(data) # 发送数据资源开销管理进程启动慢且占用内存多可通过池化技术优化使用ProcessPoolExecutor限制最大进程数。避免创建过多进程一般推荐进程数不超过 CPU 核心数。 公式建议对于 CPU 密集型任务最佳进程数 ≈ CPU 核心数可通过os.cpu_count()获取。适用场景示例线程适用Web 服务器处理请求如 Flask/Django文件批量下载IO 等待为主。进程适用数值计算如使用 NumPy 的矩阵运算机器学习训练如 TensorFlow/PyTorch 模型。混合使用在 IO 和 CPU 混合场景可结合进程池处理计算和线程池处理 IO。常见问题与调试死锁风险多进程中使用锁时需确保锁的获取和释放顺序一致。Windows 兼容性在 Windows 系统多进程代码必须放在if __name__ __main__:块中避免递归创建。性能监控使用time模块或第三方工具如psutil测量进程执行时间。3. 总结多进程multiprocessing是 Python 中实现并行计算的核心工具尤其适合 CPU 密集型任务。通过对比多线程您可以清晰看到其优势如突破 GIL 限制和劣势如资源开销大。在实际应用中结合池化技术和 IPC 机制如 Queue能显著提升程序效率。3、代码实战单线程、多线程、多进程对比 CPU 密集计算速度1、知识点梳理在Python中处理并发任务时单线程、多线程和多进程是三种常见方式。它们在CPU密集型任务如素数计算中的性能差异显著主要受Python的GIL全局解释器锁影响。以下是关键知识点梳理CPU密集型任务指任务主要消耗CPU计算资源而非等待IO操作。例如素数判断涉及大量数学运算如计算平方根$\sqrt{n}$和遍历整除性。这类任务无法通过多线程加速因为Python的GIL限制同一时间只有一个线程执行字节码。GIL全局解释器锁Python解释器的机制确保同一进程内仅一个线程执行Python字节码。在CPU密集型任务中GIL导致多线程无法利用多核CPU反而因线程切换增加开销。并发模型对比单线程顺序执行任务无并发开销逻辑简单但无法利用多核CPU。多线程使用线程池如ThreadPoolExecutor适合IO密集型任务如网络请求但在CPU密集型任务中受GIL限制。多进程使用进程池如ProcessPoolExecutor每个进程有独立GIL能真正并行利用多核CPU适合CPU密集型任务。性能优化原则单线程作为基准用于调试。多线程适用于IO密集型任务开发简单。多进程适用于CPU密集型任务但需注意进程间通信开销。素数判断算法核心是优化遍历范围至$\sqrt{n}$并跳过偶数除2外。公式若$n$不能被$[3, \sqrt{n}]$内的奇数整除则为素数。适用场景总结执行方式适用场景核心优势核心劣势单线程简单脚本、调试代码逻辑简单、无并发问题性能差无法利用多核多线程IO密集型任务爬虫、Web、文件开销小、切换快、开发简单受GIL限制CPU密集型无法加速多进程CPU密集型任务计算、AI、加密真正多核并行突破GIL限制开销大、启动慢、数据隔离需额外通信2、完整代码呈现以下代码基于样例优化调整确保代码内容完整# 1. 导入依赖库 import math # 用于计算平方根等数学操作 from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor # 线程池和进程池工具 import time # 用于计时性能对比 # 2. 定义测试任务数据 # 构造100个相同的大素数112272535095293是素数模拟CPU密集型任务 PRIMES [112272535095293] * 100 # 100个相同任务便于公平对比性能 # 3. 定义CPU密集型任务素数判断函数 def is_prime(n): 判断一个数是否为素数CPU密集型任务无IO操作。 优化逻辑跳过偶数遍历范围至平方根$\sqrt{n}$。 :param n: 待判断的数字 :return: True素数或False非素数 if n 2: return False # 小于2的数不是素数 if n 2: return True # 2是素数 if n % 2 0: return False # 大于2的偶数不是素数 sqrt_n int(math.floor(math.sqrt(n))) # 计算平方根$\sqrt{n}$并取整 for i in range(3, sqrt_n 1, 2): # 从3开始步长为2只检查奇数 if n % i 0: return False # 能被整除非素数 return True # 未找到因子是素数 # 4. 单线程执行函数性能基准 def single_thread(): 单线程串行执行顺序处理每个任务无并发作为基准对比 for number in PRIMES: # 遍历列表中的每个素数 is_prime(number) # 调用素数判断函数 # 5. 多线程执行函数受GIL限制 def multi_thread(): 多线程并发执行使用线程池但受GIL限制无法加速CPU任务 with ThreadPoolExecutor() as pool: # 自动管理线程池生命周期 pool.map(is_prime, PRIMES) # 批量提交任务线程并发但受GIL约束 # 6. 多进程执行函数真正并行 def multi_process(): 多进程并发执行使用进程池突破GIL真正利用多核CPU with ProcessPoolExecutor() as pool: # 自动管理进程池生命周期 pool.map(is_prime, PRIMES) # 批量提交任务进程并行执行 # 7. 主程序执行并计时对比 if __name__ __main__: # Windows系统下多进程必须加此判断 # 单线程执行计时 start time.time() single_thread() end time.time() print(f✅ 单线程执行耗时{end - start:.2f} 秒) # 格式化输出耗时 # 多线程执行计时 start time.time() multi_thread() end time.time() print(f✅ 多线程执行耗时{end - start:.2f} 秒) # 多进程执行计时 start time.time() multi_process() end time.time() print(f✅ 多进程执行耗时{end - start:.2f} 秒) # 打印适用场景总结增强可读性 print(\n 适用场景总结) print(| 执行方式 | 适用场景 | 核心优势 | 核心劣势 |) print(|----------|---------------------------|----------------------|----------------------------|) print(| 单线程 | 简单脚本、调试代码 | 逻辑简单、无并发问题 | 性能差无法利用多核 |) print(| 多线程 | IO密集型任务爬虫、Web | 开销小、切换快 | 受GIL限制CPU任务无法加速 |) print(| 多进程 | CPU密集型任务计算、AI | 真正多核并行 | 开销大、启动慢 |)