Python并发性能提升关键在于匹配任务类型：I/O密集用asyncio，CPU密集用multiprocessing，混合任务需拆分处理；识别“等”或“算”是优化起点，避免GIL陷阱与盲目并发。
Python并发编程不是靠堆线程或进程数量，而是选对模型、避开GIL陷阱、减少等待时间。真正提升十倍性能的关键，在于匹配任务类型——I/O密集用asyncio或threading，CPU密集必须上multiprocessing，再配合合理调度和资源控制。
识别任务类型：先分清是“等”还是“算”
这是所有优化的起点。I/O密集型（比如发HTTP请求、读写文件、数据库查询）大部分时间在等响应，CPU几乎空闲；CPU密集型（比如数值计算、图像处理、加密解密）则持续占用CPU核心。
- 用time.time()粗略测：如果脚本总耗时中，CPU使用率长期低于30%，大概率是I/O密集
- 用psutil.cpu_percent(interval=1)实时观察，对比单任务和多任务下的波动
- 别凭感觉判断——下载100个网页看着慢，其实是I/O密集；但用Python做矩阵乘法慢，就是CPU密集
I/O密集任务：优先用asyncio，别急着开线程
asyncio在单线程内通过事件循环调度协程，开销远低于线程，且无锁竞争问题。requests不支持异步？换httpx或aiohttp就行。
- 把阻塞调用全换成async版本：比如await httpx.AsyncClient().get(url)
- 并发数别盲目设高，通常10–100足够；太多反而触发服务端限流或本地端口耗尽
- 加简单错误重试+退避：asyncio.sleep(0.1 * (2 ** attempt))，避免雪崩
CPU密集任务：multiprocessing是唯一正解
threading在CPU密集场景几乎无效——CPython的GIL会让多线程变成轮流执行。必须用multiprocessing真正并行，但要注意数据传递成本。
立即学习“Python免费学习笔记（深入）”；
- 用concurrent.futures.ProcessPoolExecutor比原始Process更易管理
- 函数必须可序列化（不能是lambda或嵌套函数），参数尽量轻量；大数组用shared_memory或numpy.memmap
- 进程数建议设为os.cpu_count() - 1，留一个核给系统和其他任务
混合任务：拆开处理，别混在一起跑
真实脚本常既有网络请求又有本地计算（比如下载图片→缩略图处理）。强行用一种并发模型会拖垮整体效率。
- 先用asyncio批量下载，保存到临时目录
- 再用ProcessPoolExecutor批量处理本地文件
- 中间结果用文件或Redis暂存，避免进程间传大量数据
- 必要时用asyncio.to_thread()（Py3.9+）包裹短时阻塞操作，不阻塞事件循环
基本上就这些。没有银弹，但只要分清任务性质、选对工具、控住并发度，十倍提升不是夸张——很多脚本卡在串行等API响应，一改成asyncio，耗时直接从2分钟降到12秒。
