Python基础教程（五十一）进程和线程：Python并发双雄：进程VS线程生死时速！一文破解GIL困局

1. 本质差异：资源分配与执行单元

• 进程：操作系统资源分配的最小单位

• • 独立内存空间，数据隔离（需IPC通信）
  • 创建销毁成本高（复制父进程资源）

• 线程：CPU调度的最小单位（同进程内）

• • 共享进程内存（需锁机制防数据竞争）
  • 创建迅速，上下文切换快

2. GIL：Python多线程的“阿喀琉斯之踵”

• 核心矛盾：全局解释器锁（GIL）强制同一时刻仅一个线程执行字节码

• • CPU密集型任务：多线程因GIL轮转导致性能反降
  • I/O密集型任务：线程在I/O等待时释放GIL，仍可加速

# CPU密集型场景：进程效率碾压线程
import multiprocessing as mp
import threading

def compute(n):
    while n > 0: n -= 1

# 多进程（4核）
mp.Pool(4).map(compute, [10**7]*4)  # 耗时约1.2s 

# 多线程（4线程）
[threading.Thread(target=compute, args=(10**7,)).start() for _ in range(4)]  # 耗时约4.8s

3. 实战选型指南

场景	推荐方案	工具模块
CPU密集型（计算/加密）	多进程	multiprocessing
I/O密集型（爬虫/文件）	多线程/协程	threading/asyncio
混合任务	进程+线程池	concurrent.futures

4. 进阶优化策略

• 进程间通信：Queue、Pipe、共享内存（Value/Array）
• 规避GIL：

• • 使用C扩展（如NumPy释放GIL）
  • 换用Jython/IronPython解释器
  • 协程异步（asyncio单线程并发I/O）

---

结语：

进程与线程并非对立，而是互补的并发工具链。理解GIL的底层逻辑，方能驾驭Python并发性能的临界点——CPU瓶颈靠进程突围，I/O阻塞借线程/协程破局。在分布式时代，更可结合celery等框架构建跨进程协作网络，释放多核战力。

全文完整版可扩展包含：进程池/线程池源码解析、协程与线程协作模式、asyncio事件循环原理等深度内容。