在软件开发的世界里，提升应用性能总是一个永恒的话题。随着数据量的激增和用户需求的多样化，传统的顺序执行方式已难以满足高效处理的需求。Python，作为一门广受欢迎的编程语言，通过其内置的线程（threading）和进程（multiprocessing）模块，为我们打开了一扇通往并发编程的大门。本文将带你深入了解Python中的线程与进程，并通过示例代码展示它们如何并行工作，从而让你的应用性能实现质的飞跃。
Q: 什么是并发编程？为什么需要它？
A: 并发编程是指同时执行多个任务以提高程序执行效率的技术。在单核CPU上，并发通常通过时间片轮转等机制模拟实现；而在多核CPU上，则能真正实现多个任务的并行执行，大幅提升程序处理速度。Python由于其全局解释器锁（GIL）的限制，在CPU密集型任务上多线程执行效率不高，但在IO密集型任务（如文件读写、网络请求）中，多线程仍然能显著提升性能。进程则不受GIL限制，是处理CPU密集型任务并发执行的更佳选择。
Q: 如何使用Python的threading模块实现多线程？
A: Python的threading模块提供了基本的线程和锁的支持。下面是一个简单的多线程示例，用于计算一个列表中所有数的平方和：
python
import threading
def square_sum(numbers, result, start, end):
sum = 0
for i in range(start, end):
sum += numbers[i] ** 2
result[0] += sum
假设我们有一个大列表
numbers = list(range(1000000))
result = [0] # 使用列表作为共享变量，因为整数在Python中是不可变的
threads = []
chunk_size = len(numbers) // 4 # 假设我们创建4个线程
for i in range(4):
start = i chunk_size
end = (i + 1) chunk_size if i < 3 else len(numbers)
t = threading.Thread(target=square_sum, args=(numbers, result, start, end))
threads.append(t)
t.start()
for t in threads:
t.join()
print(f"The sum of squares is: {result[0]}")
Q: 如何使用Python的multiprocessing模块实现多进程？
A: 当需要绕过GIL限制，执行CPU密集型任务时，可以使用multiprocessing模块。以下是上述多线程示例的多进程改写：
python
from multiprocessing import Pool
def square_sum_process(numbers):
return sum(n ** 2 for n in numbers)
if name == 'main':
numbers = list(range(1000000))
chunk_size = len(numbers) // 4
chunks = [numbers[i:i+chunk_size] for i in range(0, len(numbers), chunk_size)]
with Pool(4) as p: # 创建包含4个进程的进程池
results = p.map(square_sum_process, chunks)
print(f"The sum of squares is: {sum(results)}")
通过这两个示例，我们可以看到Python如何通过线程和进程实现并发编程，分别适用于不同类型的任务。正确选择并合理使用它们，可以显著提升应用的性能，让你在编程的道路上更加游刃有余。
