Python 多线程基础与 ThreadPoolExecutor 实战
在 Python 中，多线程是实现并发的一种常见方式，尤其在处理 I/O 密集型任务时效果明显。本文从线程的基本概念入手，演示如何使用 threading.Thread 模块创建线程，并对比使用 ThreadPoolExecutor 进行更方便的任务调度。示例均为原创，可直接运行和修改。
1. 线程基础概念
线程是操作系统能调度的最小执行单元。与进程不同，同一进程内的线程共享进程的内存空间，因此线程间通信更直接，但也需要更小心地处理共享资源的同步。Python 的全局解释器锁（GIL）会限制同一时刻仅有一个线程在解释器内执行 Python 字节码，因此多线程更适合 I/O 密集型任务而非 CPU 密集型场景。
2. 使用 threading.Thread 创建线程
下面是一个简单示例，使用 threading.Thread 模拟 I/O 延迟并并行执行多个任务：
import threading
import time
def worker(name, delay):
print(f"Worker {name} 开始，等待 {delay} 秒")
time.sleep(delay)
print(f"Worker {name} 完成")
threads = []
for i in range(3):
t = threading.Thread(target=worker, args=(i, 1))
threads.append(t)
t.start()
for t in threads:
t.join()
print("所有线程执行完毕")
运行时，线程几乎同时启动，每个线程的"开始"输出会相近，而"完成"输出会在各自等待时间结束后出现，展示了多线程的并行效果。
3. 使用 ThreadPoolExecutor 管理线程池
对于批量提交任务的情况，使用 concurrent.futures.ThreadPoolExecutor 更为方便。线程池会自动管理线程的生命周期，并能获取任务的返回值或异常：
from concurrent.futures import ThreadPoolExecutor, as_completed
def task(n):
print(f"任务 {n} 开始")
time.sleep(1)
return f"结果 {n}"
with ThreadPoolExecutor(max_workers=3) as executor:
futures = [executor.submit(task, i) for i in range(5)]
for future in as_completed(futures):
print(f"完成: {future.result()}")
上面的代码创建了一个最多 3 个工作线程的线程池，提交 5 个任务，使用 as_completed 按完成顺序获取结果。
4. 注意事项与 GIL 的影响
由于 GIL 的存在，Python 的多线程在 CPU 密集型计算中并不会带来性能提升，这种场景更推荐使用多进程或异步 I/O。此外，多个线程访问共享数据时需要使用锁等同步机制，避免数据竞争和不可预测的行为。在实际项目中，结合线程池和合理的任务拆分，能显著提升 I/O 密集型应用的吞吐量。
5. 总结
多线程是 Python 并发编程的重要组成部分。通过 threading.Thread 和 ThreadPoolExecutor，你可以轻松实现并发任务并提高程序响应速度。理解 GIL 的限制和线程安全的重要性，将帮助你编写更加高效和稳定的多线程程序。
