Python多线程受GIL限制无法并行执行CPU密集型任务，即使设置线程亲和性也难以提升性能；应使用多进程模型，每个进程有独立GIL，可通过multiprocessing模块创建进程并利用psutil等工具绑定CPU核心，减少上下文切换与缓存失效，从而真正发挥多核优势。
Python多线程在处理CPU密集型任务时，受GIL（全局解释器锁）限制，无法真正实现并行计算。即使设置了线程亲和性（CPU绑定），也难以提升性能。要优化CPU绑定任务，关键在于绕过多线程的局限，合理使用多进程与操作系统级调度控制。
理解GIL对多线程的影响
CPython解释器中的GIL确保同一时间只有一个线程执行Python字节码。这意味着：
- CPU密集型任务无法通过多线程实现真正的并行
- 线程亲和性设置对Python多线程效果有限，因为线程实际运行受GIL串行化控制
- 频繁的线程切换反而可能增加上下文开销
使用多进程替代多线程
每个Python进程拥有独立的解释器和GIL，因此可以真正利用多核CPU。推荐使用multiprocessing模块：
- 用Process或Pool启动多个进程，每个进程绑定到不同CPU核心
- 适合图像处理、数值计算、数据编码等CPU密集型场景
- 进程间通信可通过Queue、Pipe或共享内存实现
设置进程CPU亲和性
通过os.sched_setaffinity()（Linux）或第三方库如psutil，可将进程绑定到指定CPU核心，减少缓存失效和上下文切换：
立即学习“Python免费学习笔记（深入）”；
import osimport psutil
获取当前进程
p = psutil.Process()
绑定到CPU核心0和1
p.cpu_affinity([0, 1])
验证设置
print("Affinity:", p.cpu_affinity())
这样能提升缓存命中率，尤其在NUMA架构或多任务服务器上效果明显。
结合任务类型选择并发模型
并非所有场景都适合多进程：
- IO密集型任务可用多线程或异步（asyncio），不受GIL影响
- CPU密集型优先使用多进程 + 进程亲和性
- 混合型任务可拆分：IO部分用线程，计算部分交由进程池处理
基本上就这些。想真正发挥多核性能，别执着于多线程绑核，改用多进程才是正解。GIL是绕不过去的坎，接受它，然后用正确的工具解决问题。不复杂但容易忽略。
