python多线程在cpython下非真正并发，因gil强制字节码串行执行；cpu密集型任务无法加速，io密集型任务可高效并发；绕过gil需用多进程、c扩展、asyncio或替代解释器。
Python多线程在CPython解释器下不是真正意义上的并发执行，而是协作式并发——它能同时“发起”多个任务，但同一时刻只有一条线程在执行Python字节码。关键不在“能不能开线程”，而在“GIL是否让出执行权”。
什么是GIL：一把保护解释器的锁
GIL（Global Interpreter Lock）是CPython解释器内部的一把互斥锁，它的核心作用是保证内存安全：CPython用引用计数管理对象生命周期，多个线程同时增减引用计数会导致崩溃。GIL强制所有Python字节码的执行必须串行化，哪怕你有16核CPU，纯Python计算也跑不满。
这不是设计缺陷，而是权衡结果——换来的是更简单、稳定、易维护的解释器实现。
CPU密集型任务：多线程基本不加速
当线程持续执行纯Python计算（如循环累加、数值运算），它会一直持有GIL，其他线程只能等待。实测中，4个线程做相同计算，耗时几乎等于单线程，甚至更慢（因线程切换开销）。
立即学习“Python免费学习笔记（深入）”；
- 典型表现：countdown、矩阵乘法、大量math.sqrt()等场景
- 验证方式：用time.time()对比单线程与多线程总耗时，加速比接近1.0
- 根本原因：GIL未释放，无法触发真正的并行
IO密集型任务：多线程确实高效
当线程执行文件读写、网络请求、数据库查询或调用time.sleep()时，CPython会主动释放GIL，让其他线程趁机运行。这时多线程就能发挥并发优势，整体响应时间大幅缩短。
- 典型表现：requests.get()、open().read()、socket.recv()、asyncio.to_thread()包装的阻塞调用
- 实际效果：5个HTTP请求用5线程可能2秒完成，单线程顺序发则需10秒
- 注意点：提速依赖IO等待时间占比——等待越长，线程重叠执行越充分
绕过GIL的实用路径
想真正压满多核？不用放弃多线程思维，但得换执行载体：
- 多进程（multiprocessing）：每个进程有独立解释器和GIL，天然并行；适合数据清洗、图像处理、批量计算
- C扩展/Cython：在C代码中显式释放GIL（Py_BEGIN_ALLOW_THREADS），计算密集部分交给C跑
- 异步IO（asyncio）：单线程内协程调度，无GIL争抢，高并发网络服务首选
- 替代解释器（Jython、PyPy）：无GIL设计，但生态和兼容性受限，生产环境慎选
