I/O密集型任务宜用多线程或异步，CPU密集型应选多进程。合理设置线程数为CPU核心数2~4倍，使用ThreadPoolExecutor控制并发，减少GIL竞争，结合async/await提升高并发效率。
Python多线程在I/O密集型任务中表现良好，但由于GIL（全局解释器锁）的存在，CPU密集型任务无法通过多线程实现真正的并行。性能调优需结合实际场景合理配置线程数量、任务粒度及资源调度策略。以下从参数配置和优化思路出发，提供实用方案。
合理设置线程数量
线程并非越多越好，过多线程会增加上下文切换开销，反而降低性能。
- 对于I/O密集型任务（如网络请求、文件读写），可设置线程数为CPU核心数的2~4倍。例如，4核机器可用8~16个线程。
- 对于CPU密集型任务，建议使用多进程而非多线程，避免GIL限制。
- 可通过
os.cpu_count()获取系统CPU核心数作为参考基准。
使用线程池控制并发规模
直接创建大量线程容易失控，应使用concurrent.futures.ThreadPoolExecutor或queue + threading模式进行管理。
- 设定合理的最大工作线程数，防止资源耗尽。
- 配合
max_workers参数控制并发上限，一般设为10~50之间，视任务类型调整。 - 使用
submit()或map()提交任务，统一回收结果与异常。
减少GIL竞争与临界区争用
GIL导致同一时间只有一个线程执行Python字节码，频繁的共享数据访问会加剧竞争。
立即学习“Python免费学习笔记（深入）”；
- 尽量减少全局变量使用，避免多个线程频繁修改同一对象。
- 对必须共享的数据加锁（
threading.Lock），但注意粒度不宜过大，防止阻塞其他线程。 - 在可能的情况下，将耗时操作替换为C扩展或调用原生异步库（如
aiohttp），这些操作能释放GIL。
结合异步编程替代多线程
对于高并发I/O场景，async/await模式通常比多线程更高效，资源占用更低。
- 使用
asyncio+aiohttp处理网络请求，单线程即可支持数千连接。 - 混合使用线程池处理阻塞式调用（如数据库查询），通过
loop.run_in_executor()桥接异步环境。 - 避免在异步函数中调用
time.sleep()等阻塞操作，改用asyncio.sleep()。
基本上就这些。关键是根据任务类型选择合适的并发模型，I/O密集优先考虑异步或适度多线程，CPU密集务必转向多进程。参数配置要基于压测结果动态调整，不盲目套用固定数值。
