Python 的並發(fā)處理能力取決於任務類型與工具選擇。對於I/O 密集型任務，1. threading 更適合，因線程可在等待I/O 時釋放GIL 提升效率；而對於CPU 密集型任務，2. multiprocessing 是更優(yōu)選擇，因其繞過GIL 實現真正的並行計算。 3. 根據需求可選用concurrent.futures 簡化代碼結構；4. 注意線程共享內存易出錯但通信方便，進程則安全但需額外手段交換數據；5. 跨平臺使用multiprocessing 需注意兼容性問題。理解任務特性並選用合適工具，才能有效提升性能。

Python 的並發(fā)處理能力是很多開發(fā)者在提升程序性能時會遇到的問題。如果你用Python 做過I/O 密集型或者CPU 密集型任務，可能就會發(fā)現：為什麼用了threading 還是沒變快？其實答案就在threading 和multiprocessing 的區(qū)別上。

什麼是GIL？它為什麼會影響threading？

在Python 中，特別是CPython（最常用的實現），有一個叫GIL（Global Interpreter Lock）的機制。它的作用是確保同一時間只有一個線程執(zhí)行Python 字節(jié)碼。聽起來有點限制性，對吧？

這意味著，即使你用threading模塊開了十個線程，在做CPU 密集型任務（比如大量計算）的時候，它們其實在輪流跑，不是真正並行。這時候，多線程並不能提高性能，甚至可能因為線程切換帶來額外開銷。

但別急著放棄threading，它在某些場景下還是很有用的。

Threading 更適合I/O 密集型任務

如果你的任務大部分時間是在等待外部資源（比如網絡請求、文件讀寫、數據庫查詢等），那threading就很合適。

舉個例子：你想從多個網站抓取數據。每個線程發(fā)起一個請求後，等待服務器響應的過程中可以釋放GIL，讓其他線程運行。這樣整體效率就提升了。

使用threading 的基本流程：

• 定義一個目標函數
• 創(chuàng)建Thread 實例
• 啟動線程
• 可選地調用join() 等待線程結束

import threading

def fetch_data(url):
    # 模擬網絡請求print(f"Fetching {url}")
    ...

threads = []
for url in urls:
    thread = threading.Thread(target=fetch_data, args=(url,))
    threads.append(thread)
    thread.start()

for t in threads:
    t.join()

這種方式在爬蟲、並發(fā)請求、GUI 程序中很常見。

Multiprocessing 解決CPU 密集型任務

如果你要做的是一堆計算，比如圖像處理、數據分析、機器學習訓練，那就應該用multiprocessing 。它繞過了GIL 的限制，因為每個進程有自己的Python 解釋器和內存空間。

簡單來說，就是“真·並行”。當然，這也意味著更高的內存消耗和進程間通信的成本。

multiprocessing 的使用方式跟threading 很像，只是把Thread換成了Process ，還有支持進程池、共享內存等功能。

示例代碼：

 from multiprocessing import Process

def compute intensive_task(data):
    # 大量計算邏輯...

processes = []
for data in data_list:
    p = Process(target=intensive_task, args=(data,))
    processes.append(p)
    p.start()

for p in processes:
    p.join()

對於需要充分利用多核CPU 的任務，multiprocessing 是首選。

如何選擇threading 還是multiprocessing？

這個問題沒有絕對答案，得看你的任務類型和需求。

• 如果是I/O 密集型→ 優(yōu)先考慮threading
• 如果是CPU 密集型→ 用multiprocessing
• 如果想簡化代碼結構→ 可以用concurrent.futures 提供的統(tǒng)一接口（ThreadPoolExecutor / ProcessPoolExecutor）

另外，還要注意幾點：

• 線程之間共享內存，容易出錯但通信方便
• 進程之間不共享內存，更安全但需要額外手段交換數據（如Queue、Pipe）
• 跨平臺兼容性方面，multiprocessing 在Windows 上可能會有坑（比如入口點保護if name == ' main ':）

基本上就這些。理解清楚自己的任務類型，再根據場景選對工具，就能避免“開了多線程卻沒提速”的尷尬了。

以上是Python中的並發(fā)：線程與多處理的詳細內容。更多資訊請關注PHP中文網其他相關文章！