应根据i/o类型、cpu占用等动态选择threading/multiprocessing/asyncio：asyncio适用于高并发网络i/o，threading适合胶水集成但线程数不宜超100，multiprocessing需注意windows spawn与linux fork差异。
Python 多任务编程不是“选一个就完事”，而是根据 I/O 类型、CPU 占用、并发规模和错误容忍度，动态匹配 threading、multiprocessing 或 asyncio —— 用错模型，轻则性能不升反降，重则死锁、资源泄漏、结果错乱。
什么时候该用 asyncio 而不是 threading
本质区别不在“快慢”，而在阻塞类型：当任务大量等待网络响应（HTTP 请求、数据库查询、Redis 操作）或文件读写（非 mmap 场景），且单机需支撑数千并发时，asyncio 是更轻量的选择；threading 在这种场景下反而因 GIL 和线程切换开销成为瓶颈。
-
asyncio要求所有 I/O 调用必须是异步的（如aiohttp替代requests，aiomysql替代pymysql），混用同步阻塞调用（比如在async def里直接调time.sleep(1)）会卡住整个事件循环 -
threading可以无缝调用任意同步库，适合胶水式集成，但线程数超过 100 后，内存占用和上下文切换成本陡增 - 常见误判：把“有多个 API 调用”直接等同于“适合 asyncio”——如果这些 API 是本地计算密集型（如图像缩放、加密解密），
asyncio不仅无益，还会因协程调度引入额外延迟
multiprocessing 启动方式在 Linux/macOS 和 Windows 上行为不同
Windows 默认使用 spawn 方式启动子进程，意味着每个子进程会重新导入主模块；Linux/macOS 默认用 fork，直接复制父进程内存镜像。这个差异直接影响代码结构和变量共享逻辑。
- Windows 下若主模块顶层有不可序列化对象（如打开的文件句柄、
threading.Lock实例），或执行了带副作用的语句（如print("init")），会导致子进程启动失败并抛出RuntimeError: An attempt has been made to start a new process before the current process has finished its bootstrapping phase. - 解决方法：始终将多进程入口包裹在
if __name__ == "__main__":下，并避免在模块顶层做复杂初始化 -
fork方式虽快，但在多线程程序中调用multiprocessing可能引发死锁（例如父进程某线程正持有锁时 fork，子进程继承锁但无对应线程释放它），此时应显式设置mp.set_start_method("spawn")
concurrent.futures 的 ThreadPoolExecutor 和 ProcessPoolExecutor 怎么选参数
最大线程/进程数不是越大越好，要结合硬件与任务特征反推：线程池大小通常设为 min(32, os.cpu_count() + 4) 是较稳妥的起点；进程池大小一般不超过 os.cpu_count()，除非任务存在长时间 I/O 等待且 CPU 利用率持续低于 30%。
- 对纯 CPU 密集型任务（如数值计算、文本解析），
ProcessPoolExecutor才能真正并行；ThreadPoolExecutor受限于 GIL，多个线程实际串行执行 - 对高并发 I/O 任务（如爬取 500 个网页），
ThreadPoolExecutor(max_workers=20)往往比max_workers=100更稳定——太多线程会加剧系统调度压力，还可能触发目标站点限流或连接拒绝 - 注意
submit()返回的Future对象本身不阻塞，但调用.result()会；批量提交后统一as_completed()获取结果，比逐个.result()更高效
真正难的不是写出来，而是判断哪个任务该走哪条路——比如一个 Web 服务既要实时处理 WebSocket 消息（适合 asyncio），又要定时跑报表导出（CPU 密集，适合 multiprocessing），还得调用遗留的同步 SDK（只能塞进线程池）。这时候混合模型不是炫技，而是刚需；但混合也意味着你得亲手管理事件循环、进程生命周期和线程安全边界，稍不留神，RuntimeError: Event loop is closed 或 BrokenPipeError 就在等你。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
