Python多线程：threading与GIL理解

threading基础：创建、启动与管理线程

线程是操作系统能够进行运算调度的最小单位，它被包含在进程之中，是进程中的实际运作单位。在Python中，threading模块提供了高级的线程接口。创建线程的核心类是threading.Thread，其关键参数包括target（指定线程要执行的函数）、args（以元组形式传递的位置参数）以及daemon（布尔值，决定主线程退出时是否强制终止该子线程）。启动线程必须调用start()方法，它会在底层向操作系统申请资源并安排执行；而join()方法用于阻塞当前主线程，直到目标线程执行完毕，常用于确保所有子任务完成后再继续后续逻辑。例如，通过循环实例化三个Thread对象并分别调用start()与join()，即可实现并发执行多个独立函数。注意，直接调用run()方法并不会开启新线程，仅相当于普通函数调用。

GIL到底是什么：为什么线程不等于并行

GIL（全局解释器锁）是CPython解释器内部的一个互斥锁，其设计初衷是为了保护Python对象的内存管理免受多线程并发访问的破坏。由于GIL的存在，同一时刻只能有一个线程执行Python字节码，这意味着在纯Python代码层面，多线程无法实现真正的CPU并行计算。然而，这并不意味着线程毫无用处。当线程执行阻塞型I/O操作（如网络请求、文件读写）或调用底层C扩展库时，GIL会被主动释放，此时其他线程可以获取GIL并继续执行。因此，对于I/O密集型任务，多线程能有效利用等待时间提升吞吐量；而对于纯Python编写的CPU密集型任务，GIL会导致线程频繁切换却无实质并行加速，甚至因上下文切换开销而变慢。理解GIL的释放时机，是合理选择并发模型的关键。

动手验证：IO密集型与CPU密集型性能对比

为直观验证GIL的影响，可设计两组对照实验。第一组为CPU密集型：定义一个执行一千万次浮点运算的函数，分别使用单线程、threading创建4个线程以及multiprocessing创建4个进程运行，并使用time.perf_counter()记录耗时。实验结果通常显示，多线程耗时与单线程相近甚至更长，而多进程耗时显著缩短，印证了GIL对CPU计算的串行限制。第二组为I/O密集型：模拟网络请求，使用time.sleep(1)代替实际请求，同样对比单线程、多线程与多进程。此时多线程总耗时接近1秒（并发等待），远优于单线程的4秒，多进程虽也能并发但进程创建开销更大。实验中需严格控制任务数量、硬件核心数及计时起点终点，确保变量唯一。该对比清晰表明：I/O任务选多线程，CPU任务选多进程。

线程安全与常见坑：共享数据、锁和正确选型

多线程共享可变数据时极易引发竞态条件。例如多个线程同时对全局计数器执行counter += 1，由于该操作非原子性（包含读取、计算、写入三步），最终结果往往小于预期。解决此问题需引入同步机制，最基础的是threading.Lock。通过with lock:上下文管理器包裹临界区代码，可确保同一时刻仅一个线程访问共享资源。但滥用锁会导致性能骤降，甚至因嵌套加锁顺序不当引发死锁。此外，盲目为每个任务创建线程会耗尽系统资源，应使用线程池控制并发上限。选型原则需牢记：I/O密集型且需简单并发时优先threading；纯CPU计算或需完全并行时选用multiprocessing；高并发网络服务且逻辑复杂时，推荐asyncio配合协程，以单线程事件循环实现极高吞吐。