Python多线程对CPU密集型任务几乎无加速效果，仅IO密集型任务受益；内置类型单方法看似原子，但复合操作（如if not in后赋值、counter += 1）非原子，易致竞态条件。
Python多线程不是“开多个线程就能加速”，关键在是否线程安全。由于全局解释器锁（GIL）的存在，CPU密集型任务用多线程几乎不提速，而IO密集型任务才真正受益；更关键的是，多个线程同时读写共享数据时，极易出现竞态条件——这不是bug，是没做同步的必然结果。
哪些操作默认不线程安全
Python中大多数内置类型（如 list、dict、set）的单个方法看似原子，但复合操作（如 if key not in d: d[key] = value）绝非原子。哪怕只是 counter += 1，背后也包含读取、计算、写入三步，线程可能在任意一步被切换，导致丢失更新。
-
字典赋值+判断组合：
if 'x' not in d: d['x'] = 0可能被两个线程同时通过判断，最终只写入一次 -
列表append与len混合：
if len(lst) 同样存在检查与动作分离的问题 - 类实例属性无保护读写：多个线程直接修改同一对象的属性，无锁即不安全
用Lock保障关键段执行的排他性
threading.Lock 是最基础也最常用的同步原语。它不阻止线程运行，只确保同一时刻最多一个线程能进入被它保护的代码块（临界区）。注意：Lock必须成对使用（acquire / release），推荐用 with 语句自动管理，避免忘记释放导致死锁。
- ✅ 正确写法：
with lock: shared_list.append(x) - ❌ 危险写法：
lock.acquire(); shared_list.append(x); # 忘记lock.release() - ⚠️ 注意粒度：锁太粗（如整个函数加锁）会严重降低并发度；锁太细（如每行都加锁）又失去意义，应围绕“不可分割的逻辑单元”加锁
优先使用线程安全的数据结构和工具
不必所有场景都手写锁。Python标准库提供了专为多线程设计的类型，它们内部已封装同步逻辑，更简洁可靠：
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
立即学习“Python免费学习笔记（深入）”；
-
queue.Queue：线程安全的队列，适合生产者-消费者模型，
put()和get()自动加锁，还支持阻塞、超时、任务完成通知（task_done()/join()） - threading.local：为每个线程提供独立副本的命名空间，天然隔离，适合存线程私有状态（如数据库连接、请求上下文）
-
concurrent.futures.ThreadPoolExecutor：比裸用
Thread更高层，自动管理线程生命周期、异常传播和结果收集，配合submit()+as_completed()写法清晰不易出错
什么情况该放弃多线程
不是所有并发需求都适合 threading。遇到以下情况，应主动换方案：
- CPU密集型任务（如数值计算、图像处理）——改用 multiprocessing 绕过GIL
- 需要高并发、低延迟的IO服务（如Web服务器、实时消息）——转向 asyncio + 异步IO，资源占用更低、可扩展性更强
- 需跨进程共享大量数据或强一致性——考虑 multiprocessing.Manager 或外部存储（Redis、数据库）
线程安全不是靠经验猜出来的，而是靠明确识别共享状态、划定临界区、选择合适同步机制来保证的。写多线程代码前，先问自己：哪些变量会被多个线程访问？哪些操作必须原子？有没有更安全的替代方案？想清楚这三点，就踩对了第一步。
