CPU 密集型任务选型指南：多线程、多进程还是异步编程？

CPU 密集型任务选型指南：多线程、多进程还是异步编程？

在构建高性能 Python 应用时，选择合适的并发模型至关重要。对于 I/O 密集型任务，异步编程（asyncio）或多线程往往能带来显著提升。但当面对 CPU 密集型任务时，你是否也能顺利抉择？本篇文章将从原理、实践、性能对比与选型建议四个维度，带你深入了解多线程、多进程与异步编程的利弊，帮助你在实际项目中做出最佳决策。

一、CPU 密集型 vs I/O 密集型

在讨论并发模型前，先明确两类任务区别。

• I/O 密集型：程序大部分时间在等待磁盘读写、网络请求等外部操作。CPU 空闲，适合利用异步或多线程并发。

• CPU 密集型：核心逻辑在大量计算、加密解密、图像处理等，CPU 占用率高，等待很少。并发方案需要真正的并行计算能力。

错误地将 I/O 密集型方案用于 CPU 密集型任务，往往无法提升性能，甚至增加额外开销。

二、多线程（threading）

1. 原理与特点

Python 的多线程基于 threading 模块，所有线程共享同一进程内存和 Python 解释器环境。但由于全局解释器锁（GIL），同一时刻只有一个线程在执行 Python 字节码。

2. 优势

• API 简单，适合快速切换到并发编程。
• 共享内存无须序列化，数据交换直观高效。

3. 限制

• GIL 导致纯 Python 计算无法多核并行。
• 适合 I/O 密集型或调用 C 扩展释放 GIL 的场景（如 NumPy、SciPy）。

4. 示例：计算斐波那契

import threading

def fib(n):
    if n < 2: return n
    return fib(n-1) + fib(n-2)

def worker(n):
    print(f"fib({
     
     n}) =", fib(n))