python多线程适合i/o密集型任务而非cpu密集型，因gil限制下i/o操作会释放锁使其他线程运行，而cpu密集任务无法并行；需用join()或threadpoolexecutor管理生命周期，共享变量须局部加锁，queue.queue更安全。
Python 多线程适合做 I/O 密集型任务，不是 CPU 密集型
Python 的 GIL（全局解释器锁）让同一时刻只有一个线程执行 Python 字节码。这意味着：CPU 密集型任务用多线程基本不提速，甚至更慢；但 I/O 密集型任务（比如发 HTTP 请求、读写文件、数据库查询）可以明显受益——因为 I/O 操作会主动释放 GIL，让其他线程跑起来。
- 常见错误现象：
time.sleep(1)或requests.get()用多线程能快，但sum(range(10**7))用多线程反而比单线程慢 - 典型使用场景：批量调用 API、并发下载多个网页、日志轮转时同时写多个文件
- 性能影响：I/O 线程数一般设为 10–50，远超 CPU 核心数也没问题；CPU 密集型任务应换
multiprocessing
threading.Thread 启动后必须 join()，否则主线程可能提前退出
启动线程后不等待，主线程执行完就结束，子线程会被强制终止（尤其在脚本结尾没处理时），导致任务没做完、资源没清理、日志没刷出。
- 容易踩的坑：
t = threading.Thread(target=fetch_data); t.start()后直接print("done")，输出 "done" 但请求根本没返回 - 正确做法：用
t.join()阻塞主线程，或用concurrent.futures.ThreadPoolExecutor自动管理生命周期 - 参数差异：
join(timeout=5)可设超时，避免无限等待；daemon=True虽能让线程随主线程退出，但不适用于需确保完成的任务
共享变量要加锁，但别锁整个函数体
多个线程读写同一个 list、dict 或自定义对象属性时，不加同步机制会导致数据错乱（比如计数器少加、列表项丢失）。但锁范围太大，会把并发退化成串行。
多个微信小程序源码合集
下载
微信小程序是一种轻量级的应用开发平台，由腾讯公司推出，主要应用于移动端，旨在提供便捷的用户体验，无需下载安装即可在微信内使用。本压缩包包含了丰富的源码资源，涵盖了多个领域的应用场景，下面将逐一介绍其中涉及的知识点。1. 图片展示：这部分源码可能涉及了微信小程序中的``组件的使用，用于显示图片，以及`wx.getSystemInfo`接口获取屏幕尺寸，实现图片的适配和响应式布局。可能还包括了图片懒加
- 常见错误现象：
results.append(data)在多线程里没加锁，最终len(results)小于预期 - 实操建议：只对真正竞争的代码段加锁，例如用
threading.Lock()包住append或counter += 1，而不是整个请求+解析逻辑 - 兼容性注意：
queue.Queue是线程安全的，比手动锁list更可靠，适合生产环境传数据
ThreadPoolExecutor 比裸 threading.Thread 更省心，但别滥用 max_workers
直接管理一堆 Thread 容易漏 join、难控数量、异常传播麻烦。concurrent.futures.ThreadPoolExecutor 封装了池管理、结果收集和异常转发，是更现代的选择。
立即学习“Python免费学习笔记（深入）”；
- 使用场景：需要统一获取返回值、统一处理异常、限制并发数（如防止压垮 API 限流）
- 参数差异：
max_workers=None默认是min(32, (os.cpu_count() or 1) + 4)，对 I/O 任务偏小，常需手动设为 20–100；设太高可能触发系统级连接数限制或内存增长 - 性能影响：创建太多线程会增加上下文切换开销，Linux 默认单进程线程数上限通常为 1024，超出会抛
OSError: can't start new thread
真正难的是判断“这个任务到底算不算 I/O 密集”——比如用 pandas.read_csv() 读本地大文件，表面是 I/O，但解析过程大量 CPU 计算，GIL 不放，多线程反而拖慢。这种时候得看实际 profile 数据，不能只看操作类型。
