如何理解Python中的并发与并行？-Python教程-PHP中文网

如何理解Python中的并发与并行？

幻影之瞳

发布： 2025-09-04 19:48:01

原创

862人浏览过

并发指一段时间内处理多个任务，并行指同一时刻执行多个任务。Python因GIL限制，多线程无法实现真正并行，但可通过多进程、异步IO等方式实现并发与并行。GIL导致多线程在CPU密集型任务中性能受限，但在IO密集型任务中仍有效。多线程适用于IO密集型场景，多进程可绕过GIL实现CPU密集型任务的并行，异步IO适合高并发网络应用，concurrent.futures提供线程池和进程池的高层接口。选择并发模型应根据任务类型：IO密集型用多线程或asyncio，CPU密集型用多进程。并发编程需注意资源竞争、死锁、饥饿等问题，可通过锁、信号量等同步机制解决。例如，使用threading.Lock保护共享变量可避免数据竞争。

如何理解python中的并发与并行？

并发和并行，简单来说，并发是指在一段时间内处理多个任务，而并行是指在同一时刻处理多个任务。Python由于GIL（全局解释器锁）的存在，在多线程环境下并不能真正实现并行，但仍然可以通过多进程等方式实现。理解它们的区别对于编写高性能的Python程序至关重要。

并发与并行的关键区别在于是否“同时”执行。

解决方案：

Python中实现并发主要有以下几种方式：

立即学习“Python免费学习笔记（深入）”；

多线程（threading）： 由于GIL的存在，Python的多线程并不能真正利用多核CPU的优势，但仍然适用于IO密集型任务，例如网络请求、文件读写等。因为线程在等待IO时会释放GIL，允许其他线程执行。
```
import threading
import time

def task(name):
    print(f"Task {name} started")
    time.sleep(2)  # 模拟IO操作
    print(f"Task {name} finished")

threads = []
for i in range(3):
    t = threading.Thread(target=task, args=(i,))
    threads.append(t)
    t.start()

for t in threads:
    t.join()

print("All tasks finished")
```
登录后复制
这段代码创建了3个线程，每个线程执行一个模拟IO操作的任务。尽管它们看起来像是同时运行，但实际上由于GIL的存在，它们仍然是交替执行的。
多进程（multiprocessing）： 多进程可以绕过GIL的限制，真正利用多核CPU的优势。适用于CPU密集型任务，例如计算密集型算法、数据处理等。每个进程都有自己独立的内存空间，因此可以避免线程间的资源竞争问题。
```
import multiprocessing
import time

def task(name):
    print(f"Task {name} started")
    time.sleep(2)  # 模拟CPU密集型操作
    print(f"Task {name} finished")

processes = []
for i in range(3):
    p = multiprocessing.Process(target=task, args=(i,))
    processes.append(p)
    p.start()

for p in processes:
    p.join()

print("All tasks finished")
```
登录后复制
这段代码创建了3个进程，每个进程执行一个模拟CPU密集型操作的任务。由于每个进程都有独立的Python解释器，因此可以真正实现并行执行。
异步IO（asyncio）： asyncio是Python 3.4引入的异步IO库，可以实现单线程并发。通过事件循环机制，可以在单个线程中高效地处理多个IO操作。适用于高并发的网络应用，例如Web服务器、聊天服务器等。
```
import asyncio
import time

async def task(name):
    print(f"Task {name} started")
    await asyncio.sleep(2)  # 模拟IO操作
    print(f"Task {name} finished")

async def main():
    tasks = [task(i) for i in range(3)]
    await asyncio.gather(*tasks)

if __name__ == "__main__":
    asyncio.run(main())
```
登录后复制
这段代码使用asyncio创建了3个异步任务，每个任务执行一个模拟IO操作。通过
```
asyncio.gather
```
登录后复制
函数，可以并发地执行这些任务。
concurrent.futures：
```
concurrent.futures
```
登录后复制
模块提供了一个高层接口，用于异步执行可调用对象。它可以使用线程池或进程池来执行任务，隐藏了底层的线程或进程管理细节。
```
import concurrent.futures
import time

def task(name):
    print(f"Task {name} started")
    time.sleep(2)  # 模拟IO操作
    print(f"Task {name} finished")

with concurrent.futures.ThreadPoolExecutor(max_workers=3) as executor:
    futures = [executor.submit(task, i) for i in range(3)]
    concurrent.futures.wait(futures)

print("All tasks finished")
```
登录后复制
这段代码使用线程池来执行3个任务，
```
executor.submit
```
登录后复制
函数将任务提交给线程池，
```
concurrent.futures.wait
```
登录后复制
函数等待所有任务完成。

行者AI
行者AI绘图创作，唤醒新的灵感，创造更多可能

100

查看详情

GIL如何影响多线程的性能？

GIL（Global Interpreter Lock）是CPython解释器中的一个全局锁，它确保在任何时刻只有一个线程可以执行Python字节码。这意味着即使在多核CPU上，Python的多线程程序也无法真正实现并行执行，因为所有线程都需要竞争GIL才能执行。

GIL的存在简化了CPython解释器的实现，避免了复杂的线程同步问题。但也限制了Python在CPU密集型任务上的性能。对于IO密集型任务，由于线程在等待IO时会释放GIL，因此多线程仍然可以提高程序的并发性能。

如何选择合适的并发模型？

选择合适的并发模型取决于具体的应用场景和任务类型。

IO密集型任务： 适合使用多线程或异步IO。多线程简单易用，但受GIL限制。异步IO可以实现更高的并发性能，但编程模型相对复杂。
CPU密集型任务： 适合使用多进程。多进程可以绕过GIL的限制，真正利用多核CPU的优势。但进程间的通信开销较大。

例如，一个Web服务器需要处理大量的并发请求，可以选择使用异步IO来实现高并发。而一个图像处理程序需要进行大量的计算，可以选择使用多进程来加速处理。

如何避免并发中的常见问题？

并发编程中常见的几个问题包括：

资源竞争： 多个线程或进程同时访问共享资源，可能导致数据不一致或程序崩溃。可以使用锁、信号量等同步机制来保护共享资源。
死锁： 多个线程或进程互相等待对方释放资源，导致程序无法继续执行。可以通过避免循环依赖、设置超时时间等方式来预防死锁。
饥饿： 某个线程或进程长时间无法获得所需的资源，导致无法执行。可以使用公平锁等机制来避免饥饿。

例如，在多线程环境下，如果多个线程需要同时修改一个全局变量，可以使用锁来保护该变量：

import threading

lock = threading.Lock()
counter = 0

def increment():
    global counter
    with lock:
        counter += 1

threads = []
for i in range(10):
    t = threading.Thread(target=increment)
    threads.append(t)
    t.start()

for t in threads:
    t.join()

print(f"Counter: {counter}")

登录后复制

这段代码使用