python多线程在cpu密集型任务中无法并行，因gil强制串行执行字节码；io密集型任务不受影响，因系统调用时gil自动释放；正确解法是cpu密集型用multiprocessing、io密集型用asyncio、混合任务选用可释放gil的c扩展。
Python多线程在CPU密集型任务里根本不能并行，不是写法问题，是GIL强制串行执行字节码。
为什么GIL会让4个线程跑得比1个还慢
CPython用引用计数管理内存，多个线程同时改ob_refcnt会引发崩溃。GIL就是为锁住这块内存操作而生的——它不区分任务类型，只要执行Python字节码，就必须抢这把锁。
常见错误现象：top看到CPU始终卡在100%，time.time()测出4线程耗时比单线程长5%–20%。
- GIL不是“偶尔释放一下”，而是“每次执行约5ms字节码后强制让出”，对纯计算来说，这只是增加切换开销，毫无并发收益
- 线程数越多，锁竞争越激烈，
pthread_mutex_lock/unlock调用本身就开始吃CPU - 所有线程挤在同一个核上跑，其余核心全程闲置，
os.cpu_count()返回8也白搭
为什么IO密集型任务却不受影响
GIL在遇到系统调用时会自动释放，比如socket.recv()、open().read()、time.sleep()，甚至requests.get()底层的select()。
这时线程挂起，GIL交出，其他线程立刻接管——你感觉“并发”，其实是“快速轮流等待”。
- 不是GIL变松了，是你的代码主动让出了执行权
- 一旦IO返回，线程重新争抢GIL；若紧接着又是一段长循环计算，GIL马上被锁死，后续线程继续干等
- 混合任务（如读文件→解析JSON→发请求）要小心：解析JSON若用纯Python实现，那段就卡GIL；换成
ujson或orjson，它们在C层释放GIL，就能并发加速
别指望绕过GIL，优先换执行模型
试图用threading.Lock或调整sys.setswitchinterval()来“优化”GIL，基本是徒劳。GIL是解释器级机制，应用层无法禁用或削弱。
真正有效的路径很明确：
- CPU密集型：直接切到
multiprocessing，用concurrent.futures.ProcessPoolExecutor替换ThreadPoolExecutor，接口几乎一致 - 高并发IO（如爬虫、API网关）：用
asyncio+aiohttp，单线程撑几千连接，无GIL争抢，内存占用低 - 计算中夹着C扩展：确认你用的库是否释放GIL，比如
numpy.dot()、cv2.threshold()都做了，但自己写的cython函数若没加nogil:块，照样卡住
最容易被忽略的一点：GIL不等于线程安全
很多人以为“有GIL就不用加锁”，这是危险误解。GIL只保证字节码原子性，而counter += 1会被编译成LOAD、INCR、STORE三步，两个线程交错执行仍会导致结果丢失。
共享变量该用threading.Lock还是得用，该用queue.Queue还是得用——GIL从不替你管业务逻辑的竞态。
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！
