Python多线程编程，你必须掌握的并发编程技巧！-优快云博客

本文链接：https://blog.youkuaiyun.com/m0_62283350/article/details/146415628

✨你有没有遇到过这样的场景：

运行个Python脚本，等了半天屏幕上还是一片寂静。
代码明明没问题，但处理速度就像一只蜗牛在爬。
看到CPU占用率低得可怜，忍不住怀疑人生。

如果你有类似的经历，那恭喜了，今天这篇文章就是为你量身定制的！🎉

今天我们就来聊聊 Python多线程编程，让你的代码跑得飞快，让CPU的每一丝计算力都不被浪费！（当然，如果你是为了摸鱼，那当我没说😂）

包含编程资料、学习路线图、源代码、软件安装包等！【点击这里免费领取】！

🔍 多线程的本质

多线程（Threading）是让一个程序“同时”执行多个任务的一种方式。这里的 “同时” 需要打个引号，因为 Python 有 GIL（全局解释器锁），导致真正的并行执行只能靠 多进程，多线程更多用于 I/O 密集型 任务，比如网络请求、文件读写等。

★
通俗理解：

多线程更适合 爬虫、文件处理 这种主要靠 I/O 的任务。

多进程更适合 CPU 密集型 任务，比如计算斐波那契数列。

🌬️ GIL（全局解释器锁）是个啥？

GIL（Global Interpreter Lock）相当于 Python 解释器的大门，所有线程都必须 排队进入，一次只能有一个线程在执行 Python 代码。这听起来像是多线程的天敌，但 对于 I/O 操作，它影响不大，因为线程在等 I/O 时可以释放 GIL。

想象一下，你去银行办业务，窗口只有一个（GIL），但是如果你要等客服打电话确认信息，你可以去旁边玩手机（I/O 操作），这时候其他人可以接着办理业务。

💪 如何创建线程？

Python 提供了 threading 模块，让我们能轻松创建并管理线程。

1. 直接使用 `threading.Thread`

import threading
import time

def worker(name):
    print(f"{name} 开始工作...")
    time.sleep(2)
    print(f"{name} 完成工作！")

# 创建两个线程
t1 = threading.Thread(target=worker, args=("线程1",))
t2 = threading.Thread(target=worker, args=("线程2",))

# 启动线程
t1.start()
t2.start()

# 等待线程结束
t1.join()
t2.join()

print("所有线程执行完毕！")

2. 继承 `Thread` 类

如果你喜欢 OOP（面向对象编程），可以自定义一个线程类。

import threading
import time

class MyThread(threading.Thread):
    def __init__(self, name):
        super().__init__()
        self.name = name

    def run(self):
        print(f"{self.name} 开始工作...")
        time.sleep(2)
        print(f"{self.name} 完成工作！")

# 创建并启动线程
t1 = MyThread("线程1")
t2 = MyThread("线程2")
t1.start()
t2.start()
t1.join()
t2.join()

print("所有线程执行完毕！")

🚀 线程池更优雅

Python 提供了 线程池（ThreadPoolExecutor），让你管理多个线程，而不用手动 start() 和 join()。

from concurrent.futures import ThreadPoolExecutor
import time

def task(n):
    time.sleep(2)
    return f"任务 {n} 完成"

with ThreadPoolExecutor(max_workers=3) as executor:
    results = executor.map(task, range(5))
    for res in results:
        print(res)

这个代码创建了 最多 3 个线程，但可以处理 5 个任务，当一个线程完成任务后，新的任务会自动填补上。

★
优点： 代码更简洁，不用手动管理线程。
”

👀 多线程填坑指南

1、全局解释器锁（GIL）的限制

问题：Python的GIL导致同一时间仅有一个线程执行字节码，使得多线程在CPU密集型任务中无法真正并行。
解决方案：
• 改用多进程：通过multiprocessing模块创建进程，绕过GIL限制，充分利用多核CPU性能。
• 优化代码结构：将CPU密集型任务改用C扩展（如Cython）或调用释放GIL的第三方库（如NumPy）。

2、线程安全问题（竞态条件）

问题：多线程同时修改共享数据（如全局变量、列表）时，可能导致数据不一致。
解决方案：
• 使用锁机制：通过threading.Lock或with语句确保共享资源的原子性操作。
• 线程安全的数据结构：使用queue.Queue或multiprocessing.Manager中的数据结构。

3、死锁问题

问题：多个线程因互相等待对方释放锁而陷入无限阻塞。
解决方案：
• 按顺序获取锁：统一线程获取锁的顺序，避免交叉等待。
• 使用可重入锁（RLock）：允许同一线程多次获取锁，减少死锁风险。
• 设置超时机制：通过acquire(timeout=5)避免无限等待。