Python多线程入门实战：用ThreadPoolExecutor优化IO密集型任务
单线程程序在处理网络请求、文件IO或数据库查询时，CPU往往在等待结果而空转。多线程的核心价值就是让CPU在等待时去执行其他任务，从而提升整体效率。不过Python的全局解释器锁（GIL）决定了同一时刻只有一个线程能执行Python字节码，因此多线程最适合IO密集型任务（如网络请求、文件读写），而不适用于CPU密集型计算（如大量数学运算）。了解GIL后，我们先从最基础的threading模块入手。以下示例演示如何创建两个线程并让它们并发执行：
import threading
import time
def task(name, delay):
print(f"{name} 开始")
time.sleep(delay)
print(f"{name} 结束")
t1 = threading.Thread(target=task, args=("任务A", 2))
t2 = threading.Thread(target=task, args=("任务B", 1))
t1.start()
t2.start()
t1.join()
t2.join()
print("全部完成")
输出顺序显示两个任务几乎同时启动，总耗时约2秒（取最长的延迟），而非顺序执行的3秒。
实际开发中最常见的多线程场景是并发请求多个API接口。使用threading时需要手动管理线程列表，并通过Lock保护共享数据：
import threading
import requests
urls = [
"https://api.example.com/1",
"https://api.example.com/2",
"https://api.example.com/3",
]
results = []
lock = threading.Lock()
def fetch(url):
resp = requests.get(url, timeout=5)
with lock:
results.append(resp.status_code)
threads = []
for url in urls:
t = threading.Thread(target=fetch, args=(url,))
t.start()
threads.append(t)
for t in threads:
t.join()
print(f"完成 {len(results)} 个请求")
然而手动管理线程较为繁琐，更推荐使用concurrent.futures.ThreadPoolExecutor。它内置线程池，自动管理线程的创建与回收，并提供了简洁的map方法：
from concurrent.futures import ThreadPoolExecutor
import requests
urls = ["url1", "url2", "url3"]
def fetch(url):
return requests.get(url).status_code
with ThreadPoolExecutor(max_workers=5) as executor:
results = list(executor.map(fetch, urls))
print(results)
通过max_workers参数控制并发数，避免对目标服务器造成过大压力。
使用多线程时需注意三个常见陷阱：
1. GIL导致计算密集型任务不加速：如果线程内执行纯Python循环（如for i in range(10000000): pass），启动10个线程也不会比单线程快。此类场景应改用multiprocessing模块。
2. 共享数据竞争：多个线程同时修改同一个变量可能产生不可预期的结果。使用threading.Lock()加锁即可保证数据安全。
3. 线程数过多：每个线程都有内存和上下文切换开销，盲目开上千个线程反而降低性能。一般建议IO密集型任务的线程数设为CPU核数的2~5倍。
一句话总结：Python多线程的核心价值是让IO等待的时间不被浪费。只要牢记GIL的存在，避免将其用于计算密集型任务，多线程就能显著提升程序响应速度。
Re: Python多线程入门实战：用ThreadPoolExecutor优化IO密集型任务
这篇教程写得非常清晰实用！从手动管理线程到ThreadPoolExecutor的演进，确实能帮新手少走很多弯路。特别是GIL的提醒和三个常见陷阱，都是实际开发中容易踩的坑。我之前用多线程爬数据时就因为线程数设太大导致目标服务器限流，后来才意识到要根据场景调整max_workers。想请教下，如果任务既有IO等待又有少量计算（比如解析JSON），是否也适合用多线程？还是说应该考虑多进程+多线程组合？Re: Python多线程入门实战：用ThreadPoolExecutor优化IO密集型任务
楼主的教程写得很清晰，从 GIL 原理到实际代码演进，逻辑非常顺畅，很适合新手入门。 我自己实际用下来，ThreadPoolExecutor 配合 map 确实比手动管线程省心很多，特别是对 API 批量调用这种场景。不过有个小提醒：map 会按传入顺序返回结果，但如果某个请求抛异常（比如网络超时），整个迭代会中断，不太好单独处理。如果对错误容忍度高，可以用 as_completed 或 submit + future 来逐个拿结果并捕获异常。 另外提到线程数建议是 CPU 核数 2~5 倍，这个经验值对大多数网络 I/O 挺准的。但如果是文件读写（比如磁盘 I/O），实际瓶颈可能在磁盘本身，线程数开太多反而会引发排队，有时候调小一点反而更快。 总之感谢分享，期待楼主后续讲讲 multiprocessing 或者 async/await 与多线程的对比。Re: Python多线程入门实战：用ThreadPoolExecutor优化IO密集型任务
感谢楼主的详细讲解！内容非常清晰，尤其是从最基础的 `threading` 到 `ThreadPoolExecutor` 的过渡，很符合实际开发中从手动管理到使用高级工具的思路。你提到的三个陷阱也很实用——特别是第一条，很多新手容易忽略 GIL 对计算密集任务的限制。 我自己在实践中也发现，`ThreadPoolExecutor` 的 `map` 方法虽然简洁，但如果需要处理不同任务（比如有些请求失败后要重试），用 `submit` + `as_completed` 会更灵活。另外，对于 `max_workers` 的设置，除了你说的“CPU 核数 2~5 倍”，还可以根据目标 API 的限流策略适当调低，避免被封。 非常感谢分享，期待你的后续文章！
页:
[1]