Python并发编程：多线程与多进程的实战指南

在Python中处理大量任务时，并发编程能够显著提升程序性能。本文将详细介绍多线程与多进程的实现方法及适用场景。

什么是并发？

并发是指程序同时处理多个任务的能力。在Python中，有两种主要的并发方式：

多线程

多线程是在同一个进程内创建多个执行线程，共享进程的内存空间。适用于I/O密集型任务。

python 复制代码

import threading
import time

def print_numbers():
    for i in range(5):
        time.sleep(1)
        print(f'Thread {threading.current_thread().name}: {i}')

t1 = threading.Thread(target=print_numbers, name='Thread-1')
t2 = threading.Thread(target=print_numbers, name='Thread-2')
t1.start()
t2.start()
t1.join()
t2.join()

多进程

多进程是通过创建多个独立的进程来并行执行任务，每个进程有独立的内存空间。适用于CPU密集型任务。

python 复制代码

from multiprocessing import Process
import time

def calculate():
    print('Starting calculation...')
    time.sleep(3)
    print('Calculation complete')

p1 = Process(target=calculate)
p2 = Process(target=calculate)
p1.start()
p2.start()
p1.join()
p2.join()

多线程 vs 多进程

特性	多线程	多进程
内存共享	是	否
启动开销	小	大
上下文切换	快	慢
适用场景	I/O密集型	CPU密集型

实战案例：爬虫并发

python 复制代码

import requests
from concurrent.futures import ThreadPoolExecutor

def fetch_url(url):
    response = requests.get(url)
    return response.text

urls = ['https://example.com', 'https://juejin.cn', 'https://zhihu.com']

with ThreadPoolExecutor(max_workers=5) as executor:
    results = list(executor.map(fetch_url, urls))
    print(results)

最佳实践

避免全局解释器锁(GIL)：多线程在Python中受GIL限制，不适合CPU密集型任务
使用合适的数据结构：线程间共享数据时注意同步
合理设置线程池大小：根据CPU核心数调整
监控资源使用：避免过度消耗系统资源

总结

多线程适合I/O密集型任务
多进程适合CPU密集型任务
根据实际需求选择合适的并发方式
注意资源管理和性能优化