【Python面试题】项目中如何处理高并发？对比过asyncio，multiprocessing，gevent方案吗?GIL在那种场景会成为瓶颈？

方案对比

1. asyncio（原生协程）

• 适用：高并发I/O密集
• 有点：单线程事件循环，内存占用低生态完善，提升调度效率
• 不要阻塞事件循环

2. multiprocessing（多进程）

• 适用：CPU密集或者绕开GIL
• 优点：每个进程独立GIl，线性扩展到核心数；与WSGI/gunicorn天然匹配
• 成本：IPC/序列化开销，内存占用高，小任务要批处理或者合并，减少进程间的通信

3. gevnet（协做式协程+monkey patch）

• 适用：老项目，阻塞I/O库比较多时的“半异步化”
• 有点：迁移成本低
• 风险：猴子补丁可能引入隐蔽兼容问题；调试和可观测性相对asyncio弱；

GIL何时真成瓶颈

• 纯python CPU密集：如大模型正则/压缩/加解密/序列化/图像处理/打分模型前后处理。单进程下QPS不随并发提升，CPU占用100%但延迟上升。
• C扩展不释放GIL的库：如部分JSON压缩库老版本。换释放GIL的实现（例如orjson，xxhash，zstandard）或多进程
• 事件循环里重做CPU：asyncio线程仍受GIL约束，会把loop卡主
• 多线程错误使用：现成增加不提速，反而上下文切换更过。

非瓶颈的典型：网络IO，数据库IO，文件IO，这类用asyncio最合适

直接背的精简版

• IO密集走asyncio + 全链路异步；CPU密集走多进程/人物队列；
• GIL只在纯Python CPu 密集才卡；IO密集不怕
• 关键是：别再时间循环里做重CPU，用能释放GIL的库或者多进程；控制并发，连接池，超时和背压，有压测数据与告警做容量规划

GIL的影响范围

• 多线程：所有python现成共享一个GIL。即时你开了10个线程，任意时刻也只有1个线程在跑python解释器的代码。
• 多进程：每个进程有自己的GIl，互不影响，因此multiprocessing能绕开GIL

I/O密集场景为什么“GIL”

• IO操作（网络，磁盘，数据库等）本质上是阻塞系统调用。在做IO时，解释器会主动释放GIL，让别的现成可以运行。

def worker():
    for _ in range(1000):
        requests.get("http://www.baidu.com")
# 现成A在等网络数据时，GIL被释放，线程B就能继续跑了
# 所以你会发现多线程抓网页,文件下载这种IO密集的人物，python多线程是能并行跑的，效果很好

CPU密集场景为什么“卡在GIL”

• CPU密集型人物（数学计算、循环解析、加解密）会长时间运行纯python字节码，几乎没有IO，也就不会主动释放GIL

def cpu_task():
    for _ in range(100**8):
        x = 12345 * 67890 
# 现成A会一直站着GIL，线程B想跑也得等
# 结果就是N个线程和1个线程的速度差不多，CPU占用率最多一个核满载
# 这个时候就是GIL的瓶颈       

为什么需要GIL

1. CPython实现细节：python的内存管理依赖引用技术。每个对象的引用计数随时可能被不同现成修改
2. 简化实现：如果没有锁，就要在所有对象操作上面加细粒度锁，代价很高、实现复杂
3. 引入GIL，保证同一时刻只有一个线程执行字节码，这样能避免对象引用计数竞争，降低了内存管理和解释器实现的复杂度

GIL是一种历史拖鞋，为了让CPython实现更简单、更安全！