python多线程无法利用多核源于cpython的gil机制，它强制单线程执行字节码；纯计算任务无法并行，仅io或c扩展中释放gil时才可能并发。
Python多线程在CPU密集型任务中根本无法利用多核，这不是代码写得不够好、也不是配置没调优，而是CPython解释器的GIL机制决定的——它强制同一时刻只有一个线程执行Python字节码。想靠threading加速计算？只会白费力气，甚至更慢。
为什么threading跑不满多核CPU
GIL不是bug，是CPython为保证内存安全（尤其是引用计数）加的一把全局锁。它的实际行为是：
- 纯Python循环（如
for i in range(10**7)）会一直持有GIL，其他线程只能干等 - IO操作（如
requests.get()、open().read()）期间会主动释放GIL，所以多线程能并发等待 - C扩展（如NumPy的矩阵运算）可手动释放GIL，这时多线程才可能并行——但你写的逻辑不在这部分，就别指望
用psutil.cpu_percent(percpu=True)看一眼：如果只有1个核长期>90%，其余全在
ProcessPoolExecutor比multiprocessing.Pool更推荐用
两者底层都走multiprocessing，但ProcessPoolExecutor接口统一、异常堆栈不丢失、资源自动清理，和ThreadPoolExecutor写法几乎一样，切换成本极低。关键差异点：
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
-
Pool.map()默认阻塞执行；ProcessPoolExecutor.map()返回惰性迭代器，必须list()或循环消费才真正触发 -
Pool的initializer可预加载大模块/模型；ProcessPoolExecutor没直接等价物，得靠模块级全局变量 +if __name__ == "__main__":保护 - Windows/macOS下
Pool默认用fork启动易出错；ProcessPoolExecutor可通过mp.set_start_method('spawn')提前指定
函数和参数必须能被pickle序列化
这是最常报PicklingError的地方：
- 嵌套函数、
lambda、类实例方法、带闭包的函数——全不行 - 解决路径很明确：目标函数必须定义在模块顶层（不能缩进在另一个函数里）
- 避免传
self.xxx，改用普通函数+显式参数（如def process_item(data, config)） - 大数组或
DataFrame别直接当参数传——序列化开销大且可能失败；改用multiprocessing.shared_memory或存磁盘，子进程只传路径 - 如果必须封装类逻辑，定义成可调用对象：
class Worker: def __call__(self, x): return x**2，然后executor.map(Worker(), data_list)
Windows/macOS下必加if __name__ == "__main__":保护
不加这句，子进程会重新导入主模块，导致递归启动新进程，最终爆内存或报RuntimeError: An attempt has been made to start a new process before the current process has finished its bootstrapping phase.。这不是Linux特有，macOS和Windows同样严格。
真正容易被忽略的是：即使你用了ProcessPoolExecutor，只要函数体里调用了未在顶层定义的变量、或依赖了未显式导入的模块，序列化仍会失败——错误信息往往藏在子进程日志里，主进程只报BrokenProcessPool，得加logging或捕获concurrent.futures.ProcessPoolExecutor的异常细节才能定位。
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！
