应使用队列而非直接 threading 是因队列能解耦任务提交与执行，实现可控并发、失败追溯及异步/延迟/重试语义；queue.Queue 非持久、非跨进程、易卡死，需合理设 timeout 并避免误用；复杂场景应换 Celery 或 RQ。
为什么不用 threading 直接跑任务，而要搞队列
因为并发控制和任务生命周期管理会失控。比如你用 threading.Thread 启一堆线程去处理 HTTP 请求，很快就会遇到连接池耗尽、CPU 抢占严重、异常任务无法重试、甚至主线程退出后子线程还在野跑的问题。
队列模型的核心价值不是“多线程”，而是把「任务提交」和「任务执行」解耦——你只管 put，有人（消费者）在另一端 get 并按规则处理。这带来三件事：可控的并发数、失败可追溯、支持异步/延迟/重试语义。
- 别把
queue.Queue当作“万能缓冲区”塞满就完事；它不持久、不跨进程、不抗崩溃 - 如果任务需要重启后继续，
queue.Queue一断电就全丢，得换redis或sqlite做底层存储 -
queue.Queue的join()和task_done()容易漏调用，导致主线程永远卡住
queue.Queue 的阻塞与超时怎么设才不卡死
默认 get() 是无限阻塞的，生产环境几乎不能用。必须配 timeout，但设太短会频繁抛 queue.Empty，设太长又拖慢响应。
典型做法是：消费者循环里用 get(timeout=1)，配合 try/except queue.Empty 做轻量轮询，既避免空转耗 CPU，也不至于卡死。
立即学习“Python免费学习笔记（深入）”；
华为云 Python SDK 查询工具。自动发现已安装 SDK 的服务包、Client类、API 方法、入参详情、类信息（__init__ 参数、属性、类型、描述），支持关键字搜索，快速定位目标 API 使用方法。
-
put()也建议加timeout，否则生产者可能被堵死在满队列上（尤其maxsize设小了） -
queue.Queue(maxsize=0)不等于“无限”，而是系统限制下的最大值，实际仍受内存约束 - 不要在多进程里共享同一个
queue.Queue实例——它不是进程安全的，要用multiprocessing.Queue
怎么让一个任务失败后自动重试三次再进死信队列
标准库 queue.Queue 不提供重试逻辑，得自己包一层。关键点不在“重试几次”，而在“怎么定义失败”和“怎么隔离失败任务”。
简单可靠的做法：每个任务封装成带元数据的字典，包含 func、args、kwargs、retry_count 和 max_retries。消费者执行时捕获异常，若未达上限就 put() 回队列（retry_count += 1），否则写入本地文件或发到 dead_letter_queue。
- 别在重试时直接
time.sleep(1)—— 这会阻塞整个消费者线程；应把延迟时间作为任务属性，由调度器统一处理 - 重试任务和新任务混在同一个队列里，容易饿死新任务；建议拆成
main_queue和retry_queue两个实例 - 如果用
functools.partial封装函数，注意它不可序列化，跨进程或持久化时会报PicklingError
什么时候该换掉 queue.Queue，上 celery 或 rq
当你的任务开始涉及远程调用、需要 Web 管理界面、要求定时触发、或者团队里有人改代码但不知道 task_done() 必须配对调用的时候，就该换了。
celery 重但全，rq 轻但只支持 redis。两者都帮你把序列化、连接管理、结果存储、重试策略、监控埋点这些脏活干完了。代价是：启动额外服务（redis 或 rabbitmq）、学习新配置项、调试链路变长。
- 本地开发快速验证用
rq更顺手，redis-server起一个就行；celery默认还要配broker和backend两套地址 -
rq的任务函数必须在PATH可导入路径下，不能是临时定义的lambda或嵌套函数 - 别在
celery任务里直接操作全局变量或文件句柄——worker 是多进程的，状态不共享
真正难的从来不是“怎么实现队列”，而是决定哪些任务值得放进队列、失败后谁来兜底、以及日志里那条 Task xyz raised unexpected: KeyError('user_id') 到底该告警还是静默丢弃。
