Python并发编程误区:别再用线程处理CPU密集型任务了!

今天就带大家清晰拆解这个误区，同时给出对应的正确解决方案，记住核心原则，再也不踩坑！

1. ❌ 错误做法

左边的代码使用了threading模块创建多个线程，用来执行一个累加计算的CPU密集型任务（循环累加1000万次）。

import threading

def work():
    total = 0
    for i in range(10_000_000):
        total += i

threads = [threading.Thread(target=work) for _ in range(4)]
for t in threads:
    t.start()
for t in threads:
    t.join()

看似用了4个线程并行处理，但实际运行起来会发现，效率并没有提升，甚至比单线程更慢。问题的核心在于Python的GIL（全局解释器锁）：

• GIL限制了同一时刻，只能有一个线程执行Python字节码；

• 这些CPU密集型线程并不能真正并行运行，只是在交替执行（伪并行）；

• 频繁的线程上下文切换，反而会增加额外的系统开销，拖慢整体运行速度。

2. ✅ 正确做法

针对CPU密集型任务，正确的做法是改用多进程（multiprocessing）。右边的代码使用multiprocessing.Pool，通过多进程来处理同一个累加任务。

from multiprocessing import Pool

def work(n):
    total = 0
    for i in range(n):
        total += i
    return total

if __name__ == "__main__":
    with Pool(4) as p:
        p.map(work, [10_000_000] * 4)

多进程能解决问题，关键原因有2点：

• 每个进程都有自己独立的Python解释器和内存空间，完全不受GIL的限制；

• 多进程可以真正利用多核CPU的资源，实现任务并行执行，能显著提升CPU密集型任务的运行效率（比如4核CPU，效率能接近单进程的4倍）。

3. 💡 核心原则

记住这一句话，再也不搞混线程和进程的使用场景：

• 线程（Threads）适合 I/O 密集型任务：比如网络请求、文件读写、数据库操作等，这类任务大部分时间都在“等待”（等待网络响应、等待文件读取完成），线程切换开销小，能提升并发效率；

• 进程（Processes）适合 CPU 密集型任务：比如数学计算、数据处理、复杂算法运算等，这类任务需要持续占用CPU资源，多进程能绕过GIL，真正利用多核优势。

总结一下：Python并发编程，先判断任务类型——I/O密集用线程，CPU密集用进程，避开GIL的坑，才能真正提升程序效率～