前言学 Python 多线程第一步要先把预期摆正多线程不是让程序算得更快的万能药。它擅长的是「一边等、一边干活」——比如同时下载几十个页面、同时读写多个文件。如果你的瓶颈是一大堆计算多线程帮不上忙原因在 GIL见下文第四节。新手最常见的两个错误认知「开 8 个线程就等于 8 核并行」——在默认的 CPython 里不是这样。「线程越多越快」——线程一多锁竞争和上下文切换的开销反而吃掉收益。这篇教程从零开始先写出第一个多线程程序再讲清线程的创建、等待、参数传递然后补上绕不开的同步问题最后给一个可以照抄的线程池示例。示例以 CPython 3.8 及以上为基准。一、第一个多线程程序不使用任何库标准库自带的threading就够了。# 适用于 Python 3.8import threadingimport timedef say_hello(name):print(f线程 {name} 开始)time.sleep(1) # 模拟一件需要等待的事print(f线程 {name} 结束)t1 threading.Thread(targetsay_hello, args(A,))t2 threading.Thread(targetsay_hello, args(B,))t1.start() # 启动立刻返回t2.start()t1.join() # 主线程在这里等 t1 结束t2.join()print(主线程结束)运行这段代码会先看到两个「开始」大约 1 秒后再看到两个「结束」最后才是「主线程结束」。总耗时大约 1 秒而不是 2 秒——因为两次sleep是重叠发生的。这就是并发带来的收益。如果改成先t1.join()再t2.start()两次等待就会串起来耗时翻倍。start()要先把所有线程都点着最后统一join()这是新手最容易写反的地方。二、Thread的构造参数threading.Thread的签名来自官方文档Thread(groupNone, targetNone, nameNone, args(), kwargs{}, *, daemonNone, contextNone)常用的几个参数参数含义备注target线程要执行的可调用对象不传就什么也不做args传给target的位置参数必须是元组单元素别忘逗号kwargs传给target的关键字参数字典name线程名仅供标识省略时自动生成daemon是否为守护线程必须在start()前确定一个高频踩坑点args是元组只传一个参数时必须写成args(A,)逗号不能丢。写成args(A)只是字符串Thread会把它按字符拆开当成多个参数——或者干脆报参数个数不对。# 适用于 Python 3.8import threadingdef show(a, b):print(fa{a!r}, b{b!r})# 正确元组里带逗号threading.Thread(targetshow, args(1, 2)).start()# 正确传关键字参数threading.Thread(targetshow, kwargs{a: 1, b: 2}).start()三、两种创建方式方式一函数式。把现成的函数交给target最省事也最推荐。# 适用于 Python 3.8import threadingdef task(n):print(f处理 {n})threading.Thread(targettask, args(5,)).start()方式二继承式。定义一个类继承threading.Thread重写run()。# 适用于 Python 3.8import threadingclass MyTask(threading.Thread):def __init__(self, n, **kwargs):super().__init__(**kwargs) # 必须先调用父类构造self.n ndef run(self): # 线程体写在这里print(f处理 {self.n}线程名 {self.name})t MyTask(5)t.start() # start() 内部会调用 run()官方文档有一句关键提醒继承Thread时只应重写__init__()和run()不要重写其他方法。并且要直接调用t.start()而不是t.run()——直接调run()只是在当前线程里跑一个普通函数根本没有新线程。四、绕不开的 GILCPython 里有一把全局解释器锁GILGlobal Interpreter Lock。官方文档的说法是同一时刻只有一个线程能执行 Python 代码。由此得到两条实用结论I/O 密集任务用线程有效线程在等网络、等磁盘时会释放 GIL别的线程能接着跑。CPU 密集任务用线程无效大家抢同一把锁多核用不上官方建议改用multiprocessing或concurrent.futures.ProcessPoolExecutor。补充一句事实CPython 3.13 起有实验性的自由线程no-GIL构建可以真正并行跑线程但它不是默认构建、需要单独安装所以日常说到「Python 的多线程」时GIL 依然存在。五、共享数据与锁线程共享同一个进程的内存多个线程同时改一个变量就会出问题。# 适用于 Python 3.8import threadingcount 0def increase():global countfor _ in range(100_000):count 1 # 读-改-写三步之间可能被切换ts [threading.Thread(targetincrease) for _ in range(4)]for t in ts:t.start()for t in ts:t.join()print(count) # 期望 400000实际通常偏小原因count 1在字节码层面是「取值 → 加一 → 写回」三步解释器会在三步之间切换线程两个线程可能都读到同一个旧值各自加一后写回于是丢了一次累加。用threading.Lock把这三步锁成一个整体# 适用于 Python 3.8import threadingcount 0lock threading.Lock()def increase():global countfor _ in range(100_000):with lock: # 自动 acquire / release异常也会释放count 1要点锁保护的是「不可分割的一整段操作」不是单个变量。加锁范围过大会让线程排队等于变回单线程范围过小则保护不住。如果只是多个线程往一个地方塞数据、再由别人取走更省心的做法是用queue.Queue——它是线程安全的内部自带锁。六、完整示例线程池批量探测手工start()/join()一批线程写起来啰嗦且容易漏。生产代码更常用concurrent.futures.ThreadPoolExecutor。# 适用于 Python 3.8import concurrent.futuresimport timedef probe(name, delay):time.sleep(delay) # 模拟一次耗时的 I/Oreturn f{name} 完成用时 {delay}sdef main():jobs [(任务1, 1.0), (任务2, 1.2), (任务3, 0.4)]with concurrent.futures.ThreadPoolExecutor(max_workers3) as pool:futures [pool.submit(probe, name, d) for name, d in jobs]for fut in concurrent.futures.as_completed(futures):print(fut.result())if __name__ __main__:main()三个任务串行要 2.6 秒左右用线程池并发后总耗时由最慢的那个决定约 1.2 秒。with块退出时会自动shutdown(waitTrue)不必手动收尾。map()与submit()的区别值得记一下submit()一次提交一个任务、返回Futuremap()一次提交一批、按提交顺序返回结果迭代器。需求用法提交单个任务、逐个取结果pool.submit(fn, *args)一批任务、只要最终结果pool.map(fn, iterable)一批任务、按完成先后处理submitas_completed需要限制并发数构造时给max_workers赋值常见坑点1. 先join()再start()写成串行❌t1.start(); t1.join(); t2.start(); t2.join()✅t1.start(); t2.start(); t1.join(); t2.join()—— 先全部启动再统一等待。2. 单参数忘了逗号❌Thread(targetf, args(abc))abc被当作三个字符拆开传。 ✅args(abc,)或args[abc]。3. 调用run()而不是start()❌t.run()—— 在当前线程里同步执行白写了。 ✅t.start()由解释器另开线程调用run()。4. 对同一个线程对象重复start()❌t.start(); t.join(); t.start()抛RuntimeError。 ✅ 一个线程对象只能启动一次要重跑请新建对象。5. 用setDaemon()设置守护线程❌t.setDaemon(True)3.10 起已废弃。 ✅Thread(targetf, daemonTrue)或start()之前写t.daemon True。6. 主线程没join()就读结果❌for t in ts: t.start()之后马上print(count)。 ✅ 先对所有线程join()或用ThreadPoolExecutor的with块。7. 用全局列表直接 append 之外的结构做共享❌ 用普通字典一边读一边删抛RuntimeError: dictionary changed size during iteration。 ✅ 用queue.Queue传递数据或全程with lock:保护读改。8. 在 CPU 密集任务上堆线程❌ 用 8 个线程做纯计算结果和单线程一样慢、甚至更慢。 ✅ 纯计算任务改用ProcessPoolExecutor线程只留给 I/O。总结主题关键结论创建线程Thread(target..., args(...))别忘了start()等待线程join()阻塞直到结束恒返回None并发收益只体现在 I/O 密集任务上GIL默认 CPython 同一时刻只跑一个线程的字节码共享数据必须加锁或改用queue.Queue批量任务优先ThreadPoolExecutor别再手工管理一堆线程入门阶段的正确顺序是先学会「启动 等待」这两个动作再理解「为什么需要锁」最后形成「I/O 用线程、计算用进程」的直觉。把线程当成 I/O 的工具而不是提速的魔法就不会走进死胡同。