Python多线程与多进程实战解析
知识点掌握了,还需要不断练习才能熟练运用。下面golang学习网给大家带来一个文章开发实战,手把手教大家学习《Python并发编程:threading与multiprocessing详解》,在实现功能的过程中也带大家重新温习相关知识点,温故而知新,回头看看说不定又有不一样的感悟!
Python threading和multiprocessing的核心区别在于:threading受GIL限制,无法实现CPU并行,适合I/O密集型任务;multiprocessing创建独立进程,绕开GIL,可利用多核实现真正并行,适合CPU密集型任务。1. threading共享内存、开销小,但GIL导致多线程不能并行执行Python代码;2. multiprocessing进程隔离、通信复杂、启动开销大,但能充分发挥多核性能。因此,I/O密集型任务应选择threading以高效切换等待,CPU密集型任务应选择multiprocessing以实现并行计算。

Python 的并发编程主要依赖两个核心模块:threading 和 multiprocessing。简单来说,如果你处理的是大量等待外部响应(比如网络请求、文件读写)的 I/O 密集型任务,threading 常常是首选,因为它开销小。但如果你的任务是计算量巨大、需要榨干 CPU 性能的计算密集型任务,那么 multiprocessing 才是正解,因为它能让你真正利用多核 CPU,绕开那个著名的 GIL(全局解释器锁)的限制。
要实现 Python 的并发,我们通常会从这两个模块入手。它们代表了两种不同的并发模型:线程(threading)和进程(multiprocessing)。
先说说 threading。它允许你在同一个进程内创建多个执行流,这些线程共享进程的内存空间。这听起来很美,内存共享意味着数据交换方便。但问题是,CPython 有个“全局解释器锁”——GIL。这个锁规定了在任何时刻,只有一个线程能执行 Python 字节码。所以,尽管你有多个线程,但它们在同一时间点上,只有一个能真正跑起来。这意味着,对于纯粹的 CPU 密集型任务,threading 无法实现真正的并行计算,因为它本质上是并发而非并行。它更擅长的是在等待 I/O 时切换到另一个线程,这样 CPU 就不会闲着。
import threading
import time
def task_io_bound(name):
print(f"线程 {name}: 开始执行 I/O 密集型任务...")
time.sleep(2) # 模拟 I/O 等待
print(f"线程 {name}: 任务完成。")
threads = []
for i in range(3):
thread = threading.Thread(target=task_io_bound, args=(f"T{i}",))
threads.append(thread)
thread.start()
for thread in threads:
thread.join()
print("所有 I/O 密集型线程任务完成。")然后是 multiprocessing。这个模块就直接多了,它创建的是独立的进程,每个进程都有自己的 Python 解释器和内存空间。进程之间的数据是隔离的,所以它们不会受到 GIL 的限制。每个进程都能在自己的 CPU 核上独立运行,从而实现真正的并行计算。当然,进程间的通信就需要额外的机制,比如队列(Queue)或管道(Pipe)。它的缺点是启动开销相对大,因为要复制整个进程环境。
import multiprocessing
import time
import os
def task_cpu_bound(name):
print(f"进程 {name} (PID: {os.getpid()}): 开始执行 CPU 密集型任务...")
result = 0
for _ in range(10_000_000): # 模拟 CPU 密集计算
result += 1
print(f"进程 {name} (PID: {os.getpid()}): 任务完成,结果 {result}。")
if __name__ == '__main__': # 确保在 Windows 上能正常运行
processes = []
for i in range(3):
process = multiprocessing.Process(target=task_cpu_bound, args=(f"P{i}",))
processes.append(process)
process.start()
for process in processes:
process.join()
print("所有 CPU 密集型进程任务完成。")选择哪种方式,说白了,就是看你的任务瓶颈在哪里。I/O 等待多,选 threading;计算量大,选 multiprocessing。
Python threading 和 multiprocessing 的核心区别是什么,以及何时选择它们
文中关于gil,threading,multiprocessing,CPU密集型任务,Python并发编程,I/O密集型任务的知识介绍,希望对你的学习有所帮助!若是受益匪浅,那就动动鼠标收藏这篇《Python多线程与多进程实战解析》文章吧,也可关注golang学习网公众号了解相关技术文章。
GoogleAI视频字幕提取教程详解
- 上一篇
- GoogleAI视频字幕提取教程详解
- 下一篇
- Python@property详解:轻松掌握属性管理
-
- 文章 · python教程 | 8小时前 | python · Python 十六进制 二进制调试 memoryview.hex bytes_per_sep
- Python memoryview.hex 怎样为十六进制输出设置分组分隔符
- 480浏览 收藏
-
- 文章 · python教程 | 8小时前 | python · Python decimal context same_quantum
- Python decimal.Context.same_quantum 怎样判断两个十进制数的指数是否相同
- 336浏览 收藏
-
- 文章 · python教程 | 9小时前 |
- Python textwrap.TextWrapper.drop_whitespace 怎样控制换行边缘的空白保留
- 238浏览 收藏
-
- 文章 · python教程 | 10小时前 | 标准库 · python · Python 参数绑定 Signature BoundArguments inspect.Signature.bind_partial
- Python inspect.Signature.bind_partial 怎样允许缺省必填参数进行部分绑定
- 492浏览 收藏
-
- 文章 · python教程 | 11小时前 | python · 文件系统 · Python 文件比较 mtime filecmp.clear_cache filecmp.cmp 比较缓存
- Python filecmp.clear_cache 怎样清除文件比较结果缓存
- 290浏览 收藏
-
- 文章 · python教程 | 12小时前 | 标准库 · 递归 · python · Python 解释器 递归限制 sys.getrecursionlimit
- Python sys.getrecursionlimit 怎样读取解释器设置的递归深度上限
- 129浏览 收藏
-
- 文章 · python教程 | 13小时前 | Python教程 · Python memoryview memoryview.toreadonly bytearray 只读视图 缓冲区协议
- Python memoryview.toreadonly 怎样生成只读视图而不复制底层数据
- 470浏览 收藏
-
- 文章 · python教程 | 14小时前 | 标准库 · Python教程 · Python decimal flags 精度 舍入 Context.copy_abs Decimal.copy_abs
- Python decimal.Context.copy_abs 怎样取绝对值而不受当前精度舍入影响
- 389浏览 收藏
-
- 文章 · python教程 | 15小时前 | 字符串 · 标准库 · Python教程 · Python placeholder 文本截断 textwrap TextWrapper max_lines
- Python textwrap.TextWrapper.placeholder 怎样为截断后的段落设置结束标记
- 301浏览 收藏
-
- 文章 · python教程 | 16小时前 | python · Python 参数绑定 inspect BoundArguments apply_defaults
- Python inspect.BoundArguments.apply_defaults 怎样给已绑定参数补上默认值
- 411浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1102次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1097次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1268次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1208次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1054次使用
-
- Python TaskGroup 怎样让子任务失败统一收敛
- 2026-11-12 501浏览
-
- Python xml.dom.minidom.unlink 怎样释放不再使用的 DOM 树引用
- 2026-10-27 501浏览
-
- Python typing 怎样用 TypeIs 缩小类型
- 2026-10-24 501浏览
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览

