悠悠楠杉
网站页面
Python多进程与多线程的简单区分
11/21
![]()
在Python编程的世界里，当我们需要让程序“同时”做多件事时，常常会遇到两个术语：多进程和多线程。它们听起来很像，都能实现任务的并发执行，但在底层机制和适用场景上却大不相同。如果你刚接触并发编程，很容易混淆两者，甚至误用导致性能不升反降。今天，我们就来掰开揉碎，看看它们到底有什么区别。
先从最核心的问题说起：为什么Python要有这两种方式？这得归因于Python的全局解释器锁（GIL）。GIL是CPython解释器的一个设计，它确保同一时刻只有一个线程在执行Python字节码。这意味着，哪怕你的电脑是8核CPU，用多线程跑纯Python计算任务，也几乎无法真正并行——所有线程还是排队执行。这就是多线程在CPU密集型任务中表现不佳的根本原因。
举个例子，假设你要处理一批图片，每张都要进行复杂的滤镜运算。如果你用多线程，由于GIL的存在，这些计算任务依然只能一个接一个地跑，线程之间不断切换反而增加了系统开销。这时候，多进程就派上用场了。每个进程都有独立的Python解释器和内存空间，自然也就绕开了GIL的限制。多个进程可以真正地在多个CPU核心上并行运行，大大提升处理速度。
但多进程也不是万能的。它的缺点在于资源消耗大。每个进程都有自己独立的内存空间，创建和销毁的开销比线程高得多。而且进程间通信（IPC）也比较麻烦，不像线程可以直接共享变量，进程之间传数据得靠管道、队列或者共享内存等机制，复杂度明显上升。
那什么时候该用多线程呢？答案是：当你面对的是I/O密集型任务时。比如你要从100个网站抓取数据，大部分时间其实花在网络等待上，而不是CPU计算。这种情况下，使用多线程非常合适。一个线程在等待服务器响应时，另一个线程可以立刻接手工作，充分利用空闲时间。虽然GIL限制了CPU计算的并行，但在I/O等待期间，线程可以释放GIL，让其他线程运行，从而实现高效的并发。
再打个比方：多进程就像请了多个厨师各自在独立厨房做饭，互不干扰，适合做大菜；而多线程更像是一个厨房里多个帮工轮流使用灶台，虽然不能同时炒菜，但可以在等水开的时候去切菜，提高整体效率。
Python标准库对两者都提供了良好支持。multiprocessing模块让你可以轻松创建进程，使用方式和threading几乎一样，降低了学习成本。比如，你可以用Process类启动新进程，用Queue在进程间传递结果。而threading模块则适合处理网络请求、文件读写这类高延迟操作。
总结一下：如果你的任务是大量计算，比如数据分析、图像处理、科学计算，优先考虑多进程；如果是频繁的网络请求、文件操作、用户交互等I/O操作，则多线程更轻量、更高效。理解这一点，才能在实际开发中做出合理选择，避免陷入“用了并发反而更慢”的尴尬境地。
