Python GIL、多进程与 asyncio

更新时间：2026-08-29。本文回答：为什么 Python 多线程跑不满多核？CPU 密集和 IO 密集分别该用什么？asyncio 和 epoll 是什么关系？

一、GIL：一把保护解释器的锁

GIL（Global Interpreter Lock，全局解释器锁）是 CPython 的一条规则：同一时刻只有一个线程能执行 Python 字节码。它的初衷是保护引用计数这类内部状态不被并发破坏。

场景	多线程效果	原因
CPU 密集（算数、循环）	不能并行，甚至更慢	线程争抢 GIL，频繁切换
IO 密集（网络、磁盘）	能"并发"	等待 IO 时释放 GIL，别的线程接着跑

核心结论：GIL 限制的是"并行计算"，不限制"并发等待"。IO 等待期间 GIL 被释放，所以多线程在 IO 场景仍有价值。

二、CPU 密集：用多进程绕开 GIL

要把 8 核用满做计算，正确姿势是 multiprocessing——每个进程有独立解释器和 GIL：

from multiprocessing import Pool

def square(x): return x * x

if __name__ == "__main__":
    with Pool(8) as p:          # 8 个独立进程，各自一个 GIL
        print(p.map(square, range(10)))

• 进程间不共享内存，靠 Queue/Pipe/shared_memory 通信（类似 L2 进程模型）。
• 代价：进程创建/通信开销比线程大，数据要序列化跨进程传递。

三、IO 密集：用 asyncio 事件循环

对于海量网络连接、HTTP 请求这类 IO 等待，协程比线程更轻。asyncio 用单线程事件循环 + 协程实现并发：

import asyncio, aiohttp

async def fetch(url):
    async with aiohttp.ClientSession() as s:
        async with s.get(url) as r:
            return await r.text()   # 等待 IO 时让出，不阻塞线程

async def main():
    urls = ["https://a", "https://b", "https://c"]
    return await asyncio.gather(*(fetch(u) for u in urls))

• asyncio 底层在 Linux 用 epoll 做多路复用——和本站 epoll 网络低延迟 讲的是同一回事。
• 协程在单线程里切换，没有 GIL 争抢，也没有线程上下文切换开销，非常适合高并发 IO。

四、三种模型怎么选

任务类型	推荐模型	理由
CPU 密集	multiprocessing	绕开 GIL，用满多核
IO 密集、高并发	asyncio	单线程事件循环，开销最小
IO 密集、逻辑简单	多线程	代码直观，IO 期间释放 GIL
极性能	C 扩展 / numpy	热点下沉编译型代码

与 Go 对比：Go 的 goroutine 是 M:N 调度、无 GIL，写并发更省心；Python 受 GIL 约束，需按任务类型挑模型。

五、与本站主线的衔接

Python 并发	本站对应	衔接文档
多进程模型	进程/线程生命周期	进程创建、CoW、IPC
asyncio + epoll	epoll 低延迟	事件驱动、多路复用
GIL 与原子	L4 内存序	解释器内部用锁保护状态
协程调度	Go goroutine	协程模型的跨语言对照

六、常见坑

• CPU 密集别用多线程：会被 GIL 卡成单核，改成 multiprocessing 或下沉 C。
• asyncio 里别调阻塞函数：同步 time.sleep/requests 会阻塞整个事件循环，要用 asyncio.sleep/aiohttp。
• 多进程入口保护：Pool 等必须放在 if __name__ == "__main__": 下，避免子进程递归 fork。

一句话总结

GIL 让 Python 多线程只能并发不能并行——CPU 密集用多进程绕开、IO 密集用 asyncio 事件循环（epoll 驱动），按任务类型选模型，才能把机器用满。

---

继续：性能优化路径。