Python 的多线程与其他一些编程语言（如 Java 或 C++）中的多线程有所不同，因为 Python 有一个全局解释器锁（GIL, Global Interpreter Lock）。GIL 确保任何时候只有一个线程可以执行 Python 字节码。这意味着，尽管你可能有多个线程在 Python 中运行，但它们实际上并不会同时执行 Python 字节码，而是会串行地执行。
然而，这并不意味着 Python 的多线程没有用。对于 I/O 密集型任务（如网络请求或文件读写），多线程仍然可以提高效率，因为当一个线程在等待 I/O 操作完成时，其他线程可以继续执行。
以下是一个简单的 Python 多线程示例，使用 threading 模块：
python复制代码
import threading |
|
import time |
|
def worker(num): |
|
"""线程工作函数""" |
|
print(f'Worker {num} is working...') |
|
time.sleep(2) # 模拟耗时操作 |
|
print(f'Worker {num} done.') |
|
# 创建线程列表 |
|
threads = [] |
|
# 创建并启动 5 个线程 |
|
for i in range(5): |
|
t = threading.Thread(target=worker, args=(i,)) |
|
threads.append(t) |
|
t.start() |
|
# 等待所有线程完成 |
|
for t in threads: |
|
t.join() |
|
print('All workers done.') |
在这个示例中，我们创建了一个名为 worker 的函数，该函数模拟了一个耗时操作（使用 time.sleep(2)）。然后，我们创建了 5 个线程，每个线程都运行 worker 函数，并传入一个不同的参数。最后，我们使用 join() 方法等待所有线程完成。
请注意，尽管我们创建了多个线程，但由于 GIL 的存在，这些线程并不会同时执行 worker 函数中的 Python 字节码。但是，由于 time.sleep(2) 是一个 I/O 操作（在这种情况下是一个模拟的 I/O 操作），它不会受到 GIL 的影响，因此多个线程可以“同时”进入睡眠状态，并在之后“同时”醒来。这就是为什么在这个示例中，使用多线程仍然可以提高效率。
如果你需要进行 CPU 密集型计算，并且希望并行执行这些计算以提高性能，那么你可能需要考虑使用其他方法，如多进程（使用 multiprocessing 模块）或异步编程（使用 asyncio 模块）。
