问题: 多线程和多进程的适用场景，简单举例？

👇 点击展开/折叠 面试背诵模板（建议先背这个） 多线程适用于 I/O 密集型任务，多进程适用于 CPU 密集型任务。I/O 密集型指网络请求、文件读写、数据库查询等，I/O 操作时线程会释放 GIL，等待期间 CPU 可调度其他线程，实现并发。CPU 密集型指复杂数学计算、图像处理、视频编解码等，计算期间 GIL 持续持有，多线程无法利用多核，需用多进程绕过 GIL，实现真正的并行计算。此外多线程共享内存、切换轻量但受 GIL 限制；多进程独立内存、真并行但切换开销大。
---

场景一：I/O 密集型 → 多线程（示例：批量网络请求）

假设需要同时请求 10 个不同的 API 接口获取数据，每个请求耗时约 2 秒（等待网络响应）。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
import threading
import requests
import time

urls = ["https://api.example.com/1", "..."]

def fetch(url):
    print(f"请求 {url}")
    resp = requests.get(url)   # I/O 等待，线程释放 GIL
    print(f"完成 {url}")

threads = [threading.Thread(target=fetch, args=(url,)) for url in urls]
for t in threads: t.start()
for t in threads: t.join()

# 总耗时 ≈ 2 秒（并发），而非 20 秒（串行）

场景二：CPU 密集型 → 多进程（示例：大量数值计算）

计算 1 亿次平方运算，需要充分利用多核 CPU 处理能力。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
from multiprocessing import Process, cpu_count
import time

def heavy_compute(n):
    while n > 0:
        n ** 0.5
        n -= 1

# 在 8 核 CPU 上启动 8 个进程
processes = [Process(target=heavy_compute, args=(10_000_000,)) for _ in range(cpu_count())]
for p in processes: p.start()
for p in processes: p.join()

# CPU 使用率拉满，总耗时 ≈ 单进程耗时的 1/8

场景选型速查表

任务类型 特征描述 推荐方案 原因
网络爬虫 大量 HTTP 请求，等待响应 多线程 / 协程 I/O 等待释放 GIL，切换开销小
文件批量读写 读取多个大文件 多线程 磁盘 I/O 等待期间释放锁
Web 服务（Flask/Django） 处理请求，查数据库 多线程（配合异步） 高并发 I/O 密集场景
图像/视频处理 像素级变换、编解码 多进程 CPU 密集计算，需绕开 GIL
机器学习训练 矩阵乘法、梯度计算 多进程 充分利用多核 CPU/GPU
数据处理（Pandas） 大量数据聚合运算 多进程 Pandas 内部也使用多进程加速
定时任务调度 同时执行多个脚本 多进程 隔离性要求高，避免互相影响

Python 并发层级的横向对比

维度 多线程 多进程 协程（asyncio）
并行能力 ❌ 受 GIL 限制 ✅ 真正并行 ❌ 单线程并发
切换开销 中等（系统线程切换） 高（进程上下文切换） 极低（用户态切换）
内存占用 低（共享内存） 高（独立内存，数据副本） 极低
通信难度 简单（共享变量+锁） 复杂（需序列化+IPC） 简单（共享变量，无锁）
适用场景 I/O 密集型 CPU 密集型 高并发 I/O（海量连接）
典型库 threading, concurrent.futures multiprocessing asyncio, aiohttp

一句话选型口诀

I/O 用线程，计算用进程，海量连接用协程。