Python的多线程为何被指为“鸡肋”？这一问题源自于其内部的全局解释器锁（GIL）。GIL的存在意味着在任意给定时间，仅有一个Python解释器在执行Python字节码。这意味着，尽管Python支持多线程，但多线程的性能提升在CPU密集型任务上往往不明显。当我们关注Python的多线程性能时，重点往往放在IO密集型任务上。
为什么有人说python的多线程是鸡肋呢？
Python的多线程为何被指为“鸡肋”？这一问题源自于其内部的全局解释器锁（GIL）。GIL的存在意味着在任意给定时间，仅有一个Python解释器在执行Python字节码。这意味着，尽管Python支持多线程，但多线程的性能提升在CPU密集型任务上往往不明显。
当我们关注Python的多线程性能时，重点往往放在IO密集型任务上。这类任务在大部分时间里都需要等待I/O操作完成，比如在制作爬虫过程中。在这些情况下，多个线程可以并发执行，提高整体效率，因为等待I/O操作的线程可以利用其他线程继续运行。然而，对于CPU密集型任务，多线程的性能可能不如单线程，因为线程间的切换会引入额外的开销。
因此，针对CPU密集型任务，推荐使用Python的multiprocessing库。multiprocessing基于多进程实现并发，避免了GIL的影响，从而在CPU密集型任务中提供更好的性能。值得注意的是，使用multiprocessing时，变量共享通常需要使用pickle库来实现。
对于不确定代码类型（CPU密集型或IO密集型）的场景，可以尝试使用multiprocessing的dummy子模块，该模块基于多线程实现multiprocessing API。通过对比使用multiprocessing和多线程实现并发的性能，可以选择更高效的方案。
最后，值得一提的是，Python的concurrent.futures库提供了一个更简洁的API，包含ThreadPoolExecutor和ProcessPoolExecutor，可能在某些情况下提供更便捷的并发实现。2024-11-15
