Python多线程适用于I/O密集型任务，需用Lock保护共享资源、Queue实现生产者-消费者模式；CPU密集型应选multiprocessing，高并发网络IO宜用asyncio。
Python多线程本身受GIL限制，CPU密集型任务无法真正并行，但对I/O密集型场景（如网络请求、文件读写、数据库查询）仍能显著提升响应效率。关键在于避免竞态条件——用锁保护共享资源，用队列协调线程协作。下面从实战角度讲清怎么用 threading.Lock 和 queue.Queue 搭建稳定、可扩展的多线程处理流程。
用 Lock 保护共享变量，防止数据错乱
多个线程同时修改同一变量（比如计数器、列表、字典）极易出错。Lock 是最基础也最常用的同步原语，确保同一时刻只有一个线程能执行临界区代码。
常见错误写法：
count += 1 # 非原子操作：读取→计算→写入，三步可能被其他线程打断正确做法：
立即学习“Python免费学习笔记（深入）”；
- 创建一个
threading.Lock()实例（全局或类内） - 用
with lock:包裹需要保护的代码块（自动加锁/释放，推荐） - 避免在锁内做耗时操作（如 sleep、requests.get），否则拖慢整体并发度
用 Queue 做生产者-消费者解耦，天然线程安全
queue.Queue 不仅是容器，更是为多线程设计的线程安全通信通道。它内部已集成锁机制，put() 和 get() 都是原子操作，无需额外加锁。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
典型结构：
- 主线程作为“生产者”，把待处理任务（URL、ID、参数字典等）放入队列
- 启动多个工作线程作为“消费者”，持续
queue.get()取任务并执行 - 用
queue.task_done()标记完成，主线程调用queue.join()等待全部任务结束
示例场景：批量爬取100个网页，开5个线程并发请求，结果统一存入列表——队列负责分发，Lock 保护结果列表写入。
组合使用 Lock + Queue，构建完整任务流
实际项目中，常需既分发任务（Queue），又汇总结果或更新状态（Lock）。二者配合，各司其职：
- Queue 负责任务分发与线程间通信（无锁安全）
- Lock 仅用于极小范围的状态更新（如记录成功数、写日志、append 到共享结果列表）
- 避免把整个处理逻辑塞进 with lock 块里——只锁真正需要同步的那1–2行
提示：若需返回每个任务的结果，可用 queue.Queue 创建“结果队列”，每个工作线程处理完后 result_queue.put((task_id, result))，主线程单独监听该队列收集。
注意边界：何时不该用多线程？
不是所有并发都适合 threading。以下情况建议换方案：
- CPU密集型计算（如图像处理、数值运算）→ 改用
multiprocessing绕过GIL - 高并发网络IO（上万连接）→ 用
asyncio+aiohttp更轻量高效 - 需要强一致性事务或复杂锁逻辑 → 考虑用 Celery + Redis/RabbitMQ 做分布式任务队列
多线程最适合的是“少量线程 + 中低频 I/O + 简单共享状态”的场景，比如日志采集、API批量调用、本地文件批量转换。
