Python多线程在I/O密集场景下有效，因I/O操作会自动释放GIL，使其他线程可并发执行；而CPU密集型任务长期持有GIL，导致伪并发。
Python 多线程在 I/O 密集场景下有效，核心原因是：当线程遇到 I/O 操作（如文件读写、网络请求、数据库查询）时，会主动释放 GIL（全局解释器锁），让其他线程得以运行。这避免了 CPU 空等，提升了整体吞吐。
为什么 I/O 期间能切换线程？
CPython 的 I/O 调用（比如 socket.recv()、time.sleep()、open().read()）底层会调用操作系统提供的阻塞系统调用。这些调用一旦发起，Python 解释器会检测到“当前线程要等外部响应”，于是自动释放 GIL，允许别的线程获取锁并执行 Python 字节码。
这意味着：一个线程在等网路响应的几毫秒甚至几秒里，其他线程可以真正并发地干活，而不是被卡住。
和 CPU 密集型任务的关键区别
CPU 密集型任务（如数学计算、图像处理）几乎不触发 I/O，线程长期持有 GIL，且 CPython 的线程调度器只在执行约 100 条字节码后才尝试强制切换（通过计数器）。结果就是多个线程实质上串行执行，还多出线程切换开销。
立即学习“Python免费学习笔记（深入）”；
- I/O 密集：线程频繁进出“等待态” → GIL 释放频繁 → 并发真实发生
- CPU 密集：线程紧握 GIL 不放 → 切换少、伪并发 → 加速效果差甚至更慢
实际中怎么写才真正受益？
不是开了多线程就自动高效，要注意三点：
- 用标准库的 I/O 工具（如 requests、urllib、sqlite3、open()），它们内部已做好 GIL 释放；自定义纯 Python 循环做“假 I/O”（比如 while time.time()
- 避免在线程中混入大量计算逻辑；若必须，可穿插 time.sleep(0) 主动让出 GIL
- 线程数不宜远超并发 I/O 资源数（如同时发 1000 个 HTTP 请求可能被系统限制或目标服务器拒绝），通常设为 CPU 核数的 2–4 倍较稳妥
一个小对比示例
顺序请求 5 个网页，单线程耗时 ≈ 5 × 单次响应时间（假设都 1s，共 5s）；5 线程并发请求，理想情况下总耗时接近最长那个请求（≈1s），因为其余 4 个请求是在等待中“并行发起”的——GIL 在每个 requests.get() 进入 socket 阻塞时就松开了。
这种重叠等待，正是 I/O 密集型多线程提速的本质。
