Python多线程适合IO密集型任务，因CPython的GIL限制其不适用于CPU密集型计算；需用join()等待线程完成、Lock保证共享数据安全、ThreadPoolExecutor简化线程池管理，并注意避免死锁与资源泄漏。
Python构建多线程任务，核心是用 threading 模块启动多个线程并发执行函数，但要注意：CPython有GIL（全局解释器锁），所以多线程**适合IO密集型任务**（如网络请求、文件读写），不适合CPU密集型计算（此时应选 multiprocessing）。
一、基础写法：创建并启动线程
最直接的方式是把目标函数传给 Thread 对象，调用 start() 启动：
- 每个线程独立运行，主线程不会自动等待子线程结束
- 需要用 join() 显式等待线程完成，否则可能主线程退出、子线程被强制终止
示例：
import threadingimport time
def task(name):
print(f"线程 {name} 开始")
time.sleep(2)
print(f"线程 {name} 结束")
t1 = threading.Thread(target=task, args=("A",))
t2 = threading.Thread(target=task, args=("B",))
t1.start()
t2.start()
t1.join() # 等待t1完成
t2.join() # 等待t2完成
print("全部完成")
二、共享数据与线程安全
多个线程访问同一变量（如全局计数器、列表）时，可能因执行时序交错导致结果错误——这就是**竞态条件**。
立即学习“Python免费学习笔记（深入）”；
- 用 threading.Lock 加锁是最常用解决方式
- lock.acquire() 和 lock.release() 要配对；推荐用 with 语句自动管理
示例（安全计数）：
counter = 0lock = threading.Lock()
def increment():
global counter
for _ in range(100000):
with lock:
counter += 1
t1 = threading.Thread(target=increment)
t2 = threading.Thread(target=increment)
t1.start(); t2.start()
t1.join(); t2.join()
print(counter) # 输出 200000（无锁时可能小于该值）
三、用 ThreadPoolExecutor 管理线程池
比起手动创建/管理线程，concurrent.futures.ThreadPoolExecutor 更简洁、健壮，支持异步提交和结果获取：
- submit() 提交单个任务，返回 Future 对象
- map() 批量提交同函数、不同参数的任务，按输入顺序返回结果
- with 语句可自动关闭线程池，避免资源泄漏
示例（并发请求多个网页）：
from concurrent.futures import ThreadPoolExecutorimport requests
urls = ["https://httpbin.org/delay/1"] * 5
def fetch(url):
return requests.get(url).status_code
with ThreadPoolExecutor(max_workers=3) as executor:
results = list(executor.map(fetch, urls))
print(results) # [200, 200, 200, 200, 200]
四、常见陷阱提醒
- 不要在线程中修改未加锁的共享变量（尤其字典、列表 append/pop）
- 避免死锁：多个锁嵌套时注意加锁顺序一致；尽量用单个锁或 with 语句
- 主线程退出 = 整个程序退出，守护线程（daemon=True）会随主线程结束而被杀，非守护线程必须 join 完成
- 调试多线程难：加日志、用 time.sleep() 暴露竞态问题，再针对性加锁
基本上就这些。多线程不是“开越多越快”，合理控制线程数（通常略大于CPU核心数或根据IO等待时间调整），比盲目堆数量更有效。
