Ubuntu Python并发编程模型

Ubuntu 上的 Python 并发编程模型与选型

一 概览与选型

• 多线程 threading：共享内存、创建切换开销小；受 GIL 影响，CPU 密集型难以线性提速，但在 I/O 密集型（网络、磁盘、数据库）场景可有效提升吞吐。适合轻量并发与高并发 I/O。
• 多进程 multiprocessing：每个进程有独立解释器与内存空间，可真正并行利用多核，适合 CPU 密集型；代价是进程创建/通信开销更大。
• 异步 asyncio：单线程事件循环 + 协程，基于 async/await，在大量 I/O 场景下高并发、低开销；需使用支持异步的库（如 aiohttp）。
• 协程库 gevent：基于 greenlet 的协作式并发，通过 monkey.patch_all() 将阻塞调用变为协作式切换，适合高并发网络 I/O。
• 线程/进程池 concurrent.futures：高层接口，便于快速在 ThreadPoolExecutor / ProcessPoolExecutor 间切换，结合 Future 获取结果。
• 选型要点：任务以 I/O 为主优先选 asyncio/gevent/多线程；以 CPU 为主优先选 多进程；不确定时先用 ProcessPoolExecutor 做基线测试。

二 快速上手示例

• 多线程

  import threading
  
  def worker(i):
      print(f"Thread-{
  i}
   running")
  
  threads = [threading.Thread(target=worker, args=(i,)) for i in range(3)]
  for t in threads: t.start()
  for t in threads: t.join()
  

• 多进程

  import multiprocessing as mp
  
  def worker(i):
      print(f"Process-{
  i}
   running")
  
  procs = [mp.Process(target=worker, args=(i,)) for i in range(3)]
  for p in procs: p.start()
  for p in procs: p.join()
  

• 异步 asyncio

  import asyncio
  
  async def worker(i):
      print(f"Worker-{
  i}
   start")
      await asyncio.sleep(1)
      print(f"Worker-{
  i}
       done")
  
  async def main():
      await asyncio.gather(*(worker(i) for i in range(3)))
  
  asyncio.run(main())
  

• 协程库 gevent

  import gevent
  from gevent import monkey;
   monkey.patch_all()
  
  def worker(i):
      print(f"Greenlet-{
  i}
   running")
      gevent.sleep(1)
      print(f"Greenlet-{
  i}
       done")
  
  jobs = [gevent.spawn(worker, i) for i in range(3)]
  gevent.joinall(jobs)
  

• 线程/进程池 concurrent.futures

  from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor
  
  def task(x):
      return x * x
  
  # 线程池
  with ThreadPoolExecutor(max_workers=4) as ex:
      print(ex.map(task, range(5)))
  
  # 进程池
  with ProcessPoolExecutor(max_workers=4) as ex:
      print(ex.map(task, range(5)))
  

以上示例均为 Ubuntu 可直接运行的 Python 3 代码范式。

三 模型对比与适用场景

说明：GIL 使同一时刻仅有一个线程执行 Python 字节码，故多线程在 CPU 密集场景难以提速；而在 I/O 密集场景，线程在等待 I/O 时会释放 GIL，从而提升总体吞吐。

四 实践建议

• 明确瓶颈：用 time/perf 与 cProfile 判断是 CPU 还是 I/O 限制，再选模型。
• 线程安全：共享数据需使用 threading.Lock/RLock/Condition/Semaphore 等同步原语，避免竞态与死锁。
• 进程通信：优先使用 Queue/Pipe/共享内存；大数据量注意序列化与拷贝成本。
• 异步适配：确保网络/数据库等库支持 async/await（如 aiohttp）；避免阻塞调用。
• 池化与背压：为线程/进程池设置合理的 max_workers，结合 生产者-消费者 与 信号量/队列 控制背压。
• 资源清理：正确 join()/close()/shutdown()，释放文件句柄与连接，防止泄漏。
• 监控与调优：结合 日志/指标 观察吞吐、延迟与错误率，逐步调参（并发度、批大小、超时）。

五 在 Ubuntu 上的运行与安装要点

• 环境准备：Ubuntu 通常预装 Python 3，可用 python3 --version 检查；如需安装：sudo apt update & & sudo apt install python3 python3-pip。
• 第三方库：如 gevent/aiohttp，使用 pip3 install gevent aiohttp 安装。
• 运行脚本：python3 your_script.py；异步示例需 Python 3.7+ 使用 asyncio.run()，旧版本可用事件循环 API。

声明：本文内容由网友自发贡献，本站不承担相应法律责任。对本内容有异议或投诉，请联系2913721942#qq.com核实处理，我们将尽快回复您，谢谢合作！