超通俗解读：多线程 vs 多进程 ——用银行柜台服务模型理解核心差异

生活场景类比

假设某银行有：

1. 1个营业厅（进程）：独立建筑，有独立金库
2. 3个柜台窗口（线程）：共享营业厅资源
   场景一：单线程模式（普通营业厅）

# 传统单线程：只有一个窗口服务所有客户
def handle_customer(customer):
    print(f"👨💼 {customer} 开始办理业务")
    time.sleep(3)  # 模拟耗时操作（如填写表格）
    print(f"✅ {customer} 办理完成")

customers = ["客户A", "客户B", "客户C"]
for c in customers:
    handle_customer(c)

---

输出（总耗时约9秒）：

👨💼 客户A 开始办理业务  
✅ 客户A 办理完成  
👨💼 客户B 开始办理业务  
✅ 客户B 办理完成  
👨💼 客户C 开始办理业务  
✅ 客户C 办理完成  

---

场景二：多线程模式（多个窗口）

import threading
import time

# 线程函数：处理单个客户业务
def handle_customer(customer):
    print(f"👨💼 {customer} 在{threading.current_thread().name}开始办理")
    time.sleep(3)
    print(f"✅ {customer} 在{threading.current_thread().name}办理完成")

customers = ["客户A", "客户B", "客户C"]
threads = []

# 创建并启动3个线程（开3个窗口）
for c in customers:
    # 关键参数说明：
    # target: 线程要执行的函数
    # args: 传递给函数的参数（必须是元组）
    t = threading.Thread(target=handle_customer, args=(c,))
    threads.append(t)
    t.start()  # 启动线程

# 等待所有线程完成
for t in threads:
    t.join()  # 让主线程等待子线程结束

print("所有客户业务办理完毕")

---

输出（总耗时约3秒）：

👨💼 客户A 在Thread-1开始办理  
👨💼 客户B 在Thread-2开始办理  
👨💼 客户C 在Thread-3开始办理  
✅ 客户A 在Thread-1办理完成  
✅ 客户B 在Thread-2办理完成  
✅ 客户C 在Thread-3办理完成  
所有客户业务办理完毕

---

场景三：多进程模式（多个营业厅）

import multiprocessing
import time

# 进程函数：处理客户群体业务
def handle_customers(hall_id):
    print(f"🏦 营业厅{hall_id}开始工作")
    time.sleep(3)  # 模拟处理业务
    print(f"🏁 营业厅{hall_id}业务完成")

# 创建3个进程（开3个营业厅）
processes = []
for i in range(3):
    # 关键参数说明：
    # target: 进程要执行的函数
    # args: 传递给函数的参数（必须是元组）
    p = multiprocessing.Process(target=handle_customers, args=(i+1,))
    processes.append(p)
    p.start()  # 启动进程

# 等待所有进程结束
for p in processes:
    p.join()  # 让主进程等待子进程结束

print("所有营业厅关闭")

---

输出（总耗时约3秒）：

🏦 营业厅1开始工作  
🏦 营业厅2开始工作  
🏦 营业厅3开始工作  
🏁 营业厅1业务完成  
🏁 营业厅2业务完成  
🏁 营业厅3业务完成  
所有营业厅关闭

---

如何选择？黄金决策法则

1 需要频繁数据交换 → 优先考虑多线程
示例：网页爬虫（多个爬虫共享结果队列）
2.计算密集型任务 → 必须使用多进程
示例：视频转码/大数据分析
.3. 既要性能又要安全 → 混合使用
示例：用多进程处理核心计算，每个进程内用多线程处理I/O

---

💡 理解技巧：

• 把进程想象成独立公司，线程是公司里的各部门
• 多线程就像公司各部门共享打印机（需排队），多进程就像每个公司有自己的打印机
• Python的GIL锁相当于公司规定：同一时刻只能有一个部门使用打印机（所以多线程不适合计算密集型任务）