Python多线程并非万能加速器——受CPython全局解释器锁（GIL）制约，它在CPU密集型任务中完全无法实现真正的并行计算，无论启动多少线程，CPU使用率始终卡在单核上限；其真正价值仅在于高效处理I/O密集型场景（如网络请求、文件读写、socket监听），此时线程在等待I/O时自动释放GIL，让其他线程得以执行，从而显著提升并发吞吐量；而一旦涉及数值计算、图像处理等CPU重负载任务，必须转向multiprocessing或ProcessPoolExecutor才能突破GIL限制实现多核并行；本文直击开发者最常踩的坑：误调run()而非start()、忽略join()导致子线程被杀、lambda闭包陷阱、异常静默丢失，以及进程间通信开销等实战痛点，帮你彻底厘清“并发”与“并行”的本质区别，避开性能陷阱，选对工具，写出真正高效的Python并发代码。

Python 的多线程在 CPU 密集型任务中基本不加速，这是由 GIL（全局解释器锁）决定的，不是写法或版本问题。

为什么 threading 无法提升 CPU 密集型任务性能

CPython 解释器为保证内存管理安全，在同一时刻只允许一个线程执行 Python 字节码。GIL 是互斥锁，不是可配置开关，也无法通过多核绕过。

• 所有纯 Python 循环、数值计算（如 sum([x**2 for x in range(10**7)])）都受 GIL 限制
• threading.Thread 启动再多，CPU 使用率也不会超过单核 100%
• 只有当线程因 I/O（如 time.sleep()、requests.get()、文件读写）主动释放 GIL 时，其他线程才能运行

什么时候该用 threading，而不是 multiprocessing

适用场景非常明确：高并发 I/O 等待，且任务间无强状态共享需求。

• 同时发起 100 个 HTTP 请求 → 用 threading + requests（每个请求阻塞时自动让出 GIL）
• 监听多个 socket 连接并响应 → threading 比 multiprocessing 启动快、内存开销小
• 需要共享内存对象（如 dict、list）且不涉及复杂同步 → threading 可直接引用，multiprocessing 需用 Manager 或 Queue
• 避免 multiprocessing 在 Windows 上反复导入主模块的问题

threading.Thread 启动后不执行？常见卡点

最常被忽略的是没调用 start()，而是误调了 run() —— 后者只是普通函数调用，仍在主线程同步执行。

import threading
import time
def worker():
time.sleep(1)
print("done")
t = threading.Thread(target=worker)
t.run()  # ❌ 错误：同步执行，不启新线程
t.start()  # ✅ 正确：异步启动线程

• 忘记 t.join() 导致主线程退出，子线程被强制终止（尤其脚本末尾无等待）
• 使用 lambda 传参时闭包陷阱：for i in range(3): Thread(target=lambda: print(i)) 会全打印 2，应写成 lambda i=i: print(i)
• 未处理异常：线程内抛出的异常不会传播到主线程，需在 target 函数里捕获或重写 run()

真正需要并行计算时，绕不开 multiprocessing 或 concurrent.futures.ProcessPoolExecutor

只要任务是 CPU 密集型（如图像处理、加密、科学计算），必须用进程而非线程。注意：

• multiprocessing 中的函数必须能被序列化（不能是嵌套函数、lambda、类实例方法，除非用 functools.partial 包装）
• 进程间通信比线程慢得多，频繁传大数据（如大数组）会成为瓶颈；此时应考虑 mmap 或 shared_memory（Python 3.8+）
• concurrent.futures.ProcessPoolExecutor 比裸用 multiprocessing.Process 更简洁，推荐作为默认选择

多线程的“并发”和多进程的“并行”，底层机制完全不同；混淆这两者，是绝大多数性能问题的根源。

今天关于《Python多线程核心原理与实战详解》的内容介绍就到此结束，如果有什么疑问或者建议，可以在golang学习网公众号下多多回复交流；文中若有不正之处，也希望回复留言以告知！