一、简介
并发是今天计算机编程中的一项重要能力，尤其是在面对需要大量计算或I/O操作的任务时。Python 提供了多种并发的处理方式，本篇文章将深入探讨其中的两种：多线程与多进程，解析其使用场景、优点、缺点，并结合代码例子深入解读。
二、多线程
Python中的线程是利用threading模块实现的。线程是在同一个进程中运行的不同任务。
2.1 线程的基本使用
在Python中创建和启动线程很简单。下面是一个简单的例子：
import threading import time def print_numbers(): for i in range(10): time.sleep(1) print(i) def print_letters(): for letter in 'abcdefghij': time.sleep(1.5) print(letter) thread1 = threading.Thread(target=print_numbers) thread2 = threading.Thread(target=print_letters) thread1.start() thread2.start()
在这个例子中，print_numbers和print_letters函数都在各自的线程中执行，彼此互不干扰。
2.2 线程同步
由于线程共享内存，因此线程间的数据是可以互相访问的。但是，当多个线程同时修改数据时就会出现问题。为了解决这个问题，我们需要使用线程同步工具，如锁（Lock）和条件（Condition）等。
import threading class BankAccount: def __init__(self): self.balance = 100 # 共享数据 self.lock = threading.Lock() def deposit(self, amount): with self.lock: # 使用锁进行线程同步 balance = self.balance balance += amount self.balance = balance def withdraw(self, amount): with self.lock: # 使用锁进行线程同步 balance = self.balance balance -= amount self.balance = balance account = BankAccount()
特别说明：Python的线程虽然受到全局解释器锁（GIL）的限制，但是对于IO密集型任务（如网络IO或者磁盘IO），使用多线程可以显著提高程序的执行效率。
三、多进程
Python中的进程是通过multiprocessing模块实现的。进程是操作系统中的一个执行实体，每个进程都有自己的内存空间，彼此互不影响。
3.1 进程的基本使用
在Python中创建和启动进程也是非常简单的：
from multiprocessing import Process import os def greet(name): print(f'Hello {name}, I am process {os.getpid()}') if __name__ == '__main__': process = Process(target=greet, args=('Bob',)) process.start() process.join()
3.2 进程间的通信
由于进程不共享内存，因此进程间通信（IPC）需要使用特定的机制，如管道（Pipe）、队列（Queue）等。
from multiprocessing import Process, Queue def worker(q): q.put('Hello from process') if __name__ == '__main__': q = Queue() process = Process(target=worker, args=(q,)) process.start() process.join() print(q.get()) # Prints: Hello from process
特别说明：Python的多进程对于计算密集型任务是一个很好的选择，因为每个进程都有自己的Python解释器和内存空间，可以并行计算。
One More Thing
让我们再深入地看一下concurrent.futures模块，这是一个在Python中同时处理多线程和多进程的更高级的工具。concurrent.futures模
块提供了一个高级的接口，将异步执行的任务放入到线程或者进程的池中，然后通过future对象来获取执行结果。这个模块使得处理线程和进程变得更简单。
下面是一个例子：
from concurrent.futures import ThreadPoolExecutor, as_completed def worker(x): return x * x with ThreadPoolExecutor(max_workers=4) as executor: futures = {executor.submit(worker, x) for x in range(10)} for future in as_completed(futures): print(future.result())
这个代码创建了一个线程池，并且向线程池提交了10个任务。然后，通过future对象获取每个任务的结果。这里的as_completed函数提供了一种处理完成的future的方式。
通过这种方式，你可以轻松地切换线程和进程，只需要将ThreadPoolExecutor更改为ProcessPoolExecutor。
无论你是处理IO密集型任务还是计算密集型任务，Python的多线程和多进程都提供了很好的解决方案。理解它们的运行机制和适用场景，可以帮助你更好地设计和优化你的程序。
