一、核心概念对比

1. 进程（Process）

• 操作系统级独立单元：每个进程拥有独立的内存空间（堆、栈、代码段）

• 资源隔离性：崩溃不影响其他进程

• 多核并行：可充分利用多核CPU资源

2. 线程（Thread）

• 进程内的执行单元：共享同一进程的内存空间

• 轻量级并发：创建/切换成本低于进程

• GIL限制：受Python全局解释器锁制约

---

二、关键技术差异对比表

对比维度	进程	线程
创建开销	高（需复制内存空间）	低（共享现有内存）
数据共享	IPC机制（队列/管道）	直接共享全局变量
上下文切换成本	高（涉及内存切换）	低（仅寄存器切换）
GIL影响	可绕过GIL实现真并行	受GIL限制伪并发
适用场景	CPU密集型任务	I/O密集型任务
异常影响范围	进程间隔离	导致整个进程终止

---

三、Python实现机制解析

1. 多进程（multiprocessing模块）

from multiprocessing import Process
import os
def task():print(f'子进程PID: {os.getpid()}')
if __name__ == '__main__':p = Process(target=task)p.start()p.join()

• 特点：跨平台实现，支持进程池

• 内存消耗：约10MB+（取决于初始化状态）

2. 多线程（threading模块）

import threading
def task():print(f'当前线程: {threading.get_ident()}')
t = threading.Thread(target=task)
t.start()

• 特点：GIL导致并发瓶颈

• 内存消耗：约1MB级

---

四、性能对比实验（计算密集型任务）

# 测试代码片段
def heavy_calculation():sum(range(10**7))
# 多进程用时：2.1秒（4核）
# 多线程用时：8.3秒（伪并发）

---

五、最佳实践指南

1. 优先选择进程的场景：

• 矩阵运算/机器学习训练

• 大规模数值计算

• 需要内存隔离的任务

2. 优先选择线程的场景：

• Web请求处理

• 文件读写操作

• GUI应用保持响应

3. 混合使用策略：

   from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor# CPU密集型使用进程池with ProcessPoolExecutor() as proc_pool:proc_pool.map(cpu_task, data)# I/O密集型使用线程池with ThreadPoolExecutor() as thread_pool:thread_pool.map(io_task, urls)

---

六、进阶注意事项

4. 进程间通信成本：

• 队列数据需要pickle序列化

• 共享内存（Value/Array）的使用技巧

5. 线程安全陷阱：

• Lock/RLock对共享资源的保护

• 避免死锁的上下文管理器用法

6. 调试技巧：

• 使用top命令监控进程资源

• threading.enumerate()查看活动线程

---

七、总结决策树

是否需要真并行？ → 是 → 使用多进程↓否
是否涉及I/O等待？ → 是 → 使用多线程↓否
考虑协程（asyncio）

通过理解这些核心差异，可以更精准地根据任务特性选择并发方案，充分发挥Python的并发编程潜力。