纯计算密集型任务应使用 multiprocessing.pool 或 processpoolexecutor 以绕过 gil 实现真正并行；threading.thread 因 gil 限制仅能并发无法并行；注意函数可 pickle、加 if name == '__main__': 保护、合理设置 max_workers。
对纯计算密集型任务，直接用 multiprocessing.Pool 或 concurrent.futures.ProcessPoolExecutor 是最有效的方式；它不靠优化代码逻辑，而是靠启动独立进程绕开 GIL，让每个 CPU 核心真正并行干活。
为什么 threading.Thread 在计算任务里几乎没用
CPython 的 GIL 强制所有线程轮流执行 Python 字节码。哪怕你有 16 核 CPU，4 个 threading.Thread 跑矩阵乘法或斐波那契，也只在一个核上串行抢锁——CPU 使用率顶多 100%，但其他核全空转。典型现象包括：
- 开 4 个线程处理各耗时 1 秒的计算，总耗时仍接近 4 秒，甚至更长（线程切换 + GIL 争抢拖慢节奏）
- 任务管理器显示“仅一个核心满载，其余闲置”，而你明明写了多线程
- 误以为开了线程就等于并行，实际只是并发（concurrent），不是并行（parallel）
Pool.map 和 Pool.imap_unordered 怎么选
两者都用于批量分发任务，但行为差异直接影响结果收集逻辑和内存占用：
Claw Code Suite (Python-Only Edition)
下载
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
-
pool.map(func, iterable)：阻塞等待全部完成，返回完整结果列表；适合结果量小、需严格顺序处理的场景（比如后续要按输入顺序拼接数组） -
pool.imap_unordered(func, iterable)：返回迭代器，结果按完成先后返回（不保序），内存友好；适合流式处理或想边算边用结果（比如实时写入文件、逐条入库） - 别用
pool.apply_async手动管理callback+.get()——容易漏.get()导致子进程卡住，或忘记pool.close()/pool.join()
Windows 下不加 if __name__ == '__main__': 就会炸
Windows 和部分 spawn 启动方式下，子进程会重新导入主模块。如果不加保护，就会递归创建新进程，直到系统资源耗尽或报错：
- 错误信息通常是：
RecursionError: maximum recursion depth exceeded或直接卡死 - 即使在 Linux/macOS 上显式调用
mp.set_start_method('spawn')，同样需要该保护 - 所有
multiprocessing启动代码（Process().start()、Pool()等）都必须放在这个块内 - 漏掉这一行，程序可能跑一半就崩，或者静默退化成单进程——得靠
psutil看进程数或加日志确认是否真并行
函数和参数必须可 pickle，否则静默失效
进程间通信靠 pickle 序列化，所以传给 pool.map 的函数和参数必须可序列化：
- 不能是
lambda、嵌套函数、类实例方法、functools.partial包了不可序列化对象的函数 - 函数必须定义在模块顶层，且能被子进程 import（不能定义在
if __name__ == '__main__':块里） - 小任务 + 高频调用时，进程创建/序列化开销可能吃掉并行收益；建议单次任务耗时 ≥ 100ms 再上进程池
- 默认
max_workers是os.cpu_count()，但若任务本身已占满内存（如每个进程加载大模型），开满核会触发频繁 swap；建议先设为min(4, os.cpu_count())起步
真正容易被忽略的是：即使你写了 Pool，如果函数里偷偷用了不可 pickle 的对象（比如某个自定义类的绑定方法），程序不会报错，而是静默退化成单进程执行——得靠 psutil 看进程数或加日志确认是否真并行。
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！
