CPU密集型任务用多进程，IO密集型用多线程或协程；因Python的GIL限制，多线程无法提升CPU密集性能，而IO等待时会释放GIL，使多线程高效；高并发推荐asyncio，需隔离稳定性选进程，需共享状态选线程。
选线程还是进程，关键看任务类型：CPU密集型用多进程，IO密集型用多线程（或协程更优）。
看任务性质：CPU密集 or IO密集
Python有全局解释器锁（GIL），同一时刻只有一个线程执行Python字节码。这意味着：
- CPU密集型任务（如数值计算、图像处理）——多线程几乎不提速，反而因线程切换增加开销；应优先用multiprocessing启动多进程，绕过GIL限制；
- IO密集型任务（如HTTP请求、文件读写、数据库查询）——线程在等待IO时会释放GIL，其他线程可继续运行；此时threading足够高效，启动快、内存占用低；
考虑资源与扩展性
进程间内存隔离、稳定性高，但开销大（启动慢、内存复制多）；线程共享内存，通信方便，但需小心数据竞争和死锁：
- 需要大量并发（几千连接）？线程数太多易导致系统负载高，推荐用asyncio + aiohttp等异步模型；
- 任务间完全独立、可能崩溃影响彼此？用进程更健壮，例如用concurrent.futures.ProcessPoolExecutor管理子进程；
- 要共享状态（如缓存、计数器）？线程内直接读写变量即可；进程间则需Queue、Manager或shared_memory（Python 3.8+）；
别忽略现代替代方案
纯Python场景下，线程/进程不是唯一解：
立即学习“Python免费学习笔记（深入）”；
- 网络IO为主？asyncio配合aiofiles、aiomysql等异步库，单线程就能高效处理上万并发；
- 混合负载（少量CPU+大量IO）？可组合使用：主线程跑asyncio，CPU重活交给ProcessPoolExecutor异步提交；
- 已有代码难改？先用threading快速验证，再按压测结果决定是否升级到进程或异步；
一个简单判断流程
遇到新任务，可以这样快速决策：
- 是不是主要在等网络/磁盘/用户输入？→ 是 → 试threading或asyncio；
- 是不是主要在做循环计算、加密、压缩、机器学习推理？→ 是 → 用multiprocessing；
- 要不要跨机器横向扩展？→ 进程本身不解决，得靠消息队列（如RabbitMQ）+ 多节点部署；
