python并发的核心难点在于任务调度、状态共享与i/o阻塞点控制，而非语法本身；需区分i/o密集型（用asyncio）与cpu密集型（用multiprocessing），并严格管理线程/进程/事件循环边界及资源安全。
Python 并发不是靠“多开几个线程”就能解决的，真正卡住人的从来不是 threading 或 asyncio 的语法，而是任务调度时机、状态共享边界、I/O 阻塞点是否真的被绕过——第255讲这个编号本身没意义，但背后暴露的问题很真实：很多人学完 ThreadPoolExecutor 还是写不出稳定爬虫，跑通 async def 仍会遇到 RuntimeError: Event loop is closed。
为什么 concurrent.futures.ThreadPoolExecutor 跑着跑着就卡死？
这不是线程池坏了，而是你没管住「阻塞源」。常见于混合使用同步 I/O（比如 requests.get()）和线程池时，未设超时、未捕获异常、或共享了非线程安全对象（如全局 sqlite3.Connection）。
-
max_workers设太高反而触发系统级连接数限制（尤其 HTTP），建议从min(32, os.cpu_count() + 4)起调 - 务必给每个
submit()包裹try/except，否则一个任务崩溃会导致as_completed()提前退出 - 避免在线程内复用单例 Session（如
requests.Session()），每个线程应持有一个独立实例
asyncio.run() 为什么不能在已运行的 event loop 里调用？
这是初学者最常撞上的墙：RuntimeError: asyncio.run() cannot be called from a running event loop。根本原因是 Python 的 event loop 是 per-thread 且不可重入的——你在 Jupyter、FastAPI 中间件、或已启动的 asyncio.create_task() 里再调 asyncio.run()，等于试图嵌套启动主循环。
- 替代方案：用
asyncio.create_task()提交协程，或直接await已有协程对象 - Jupyter 中可用
await coro（需 IPython ≥ 7.0），而非强行asyncio.run(coro) - 若必须从同步上下文进异步，且确定当前无 loop，才用
asyncio.run()；否则检查是否已处于async def内部
什么时候该用 multiprocessing 而不是 asyncio？
别被“异步更快”带偏。CPU 密集型任务（如图像处理、数值计算）用 asyncio 不仅没提速，还会因协程切换增加开销。真正的分水岭在「等待 vs 计算」：
立即学习“Python免费学习笔记（深入）”；
- I/O 密集（HTTP 请求、数据库查询、文件读写）→ 优先
asyncio+aiohttp/aiomysql - CPU 密集（
numpy矩阵运算、PIL图像缩放）→ 必须multiprocessing，且注意spawn启动方式比fork更安全（尤其 Windows/macOS） - 混合场景（如下载+解析 HTML）→ 拆：下载用
asyncio，解析用multiprocessing.Pool.map()，用queue.Queue或multiprocessing.Queue传数据
import asyncio import aiohttp from multiprocessing import Pool <p>def cpu_heavy_task(data):</p><h1>纯计算，不 await，不 IO</h1><pre class='brush:python;toolbar:false;'>return sum(x ** 2 for x in data)
async def fetch_url(session, url): async with session.get(url) as resp: return await resp.text()
async def main(): urls = ["https://www.php.cn/link/5f69e19efaba426d62faeab93c308f5c"] 10 async with aiohttp.ClientSession() as session: htmls = await asyncio.gather([fetch_url(session, u) for u in urls])
# 把 HTML 列表交给多进程解析
with Pool() as pool:
results = pool.map(cpu_heavy_task, [list(h.encode()) for h in htmls])
return results并发系统的复杂性不在语法，而在你能否清晰画出「哪段代码在哪个线程/进程/event loop 里执行」「数据在哪儿被读写」「错误发生时控制权落在谁手里」。很多问题其实只需要加一行 print(f"pid={os.getpid()}, tid={threading.get_ident()}") 就能定位。
