一、理解多线程的适用场景 I/O 密集型任务 当程序主要是在等待外部输入 / 输出（I/O）操作完成时，如读取文件、*请求等，多线程可以显著提高效率。例如，在一个*爬虫程序中，需要从多个网页获取数据。如果使用单线程，程序会依次请求每个网页，等待一个网页的数据完全返回后再请求下一个。但如果使用多线程，可以同时发起多个网页请求，当一个线程在等待某个网页的响应时，其他线程可以继续处理其他网页的请求。 示例代码： 收起
import requests import threading def download_page(url): resp*e = requests.get(url) print(f"Downloaded {url}, status code: {resp*e.status_code}") urls = ["https://www.example1.com", "https://www.example2.com", "https://www.example3.com"] threads = [] for url in urls: thread = threading.Thread(target=download_page, args=(url,)) thread.start() threads.append(thread) for thread in threads: thread.join()
在这个例子中，我们创建了多个线程来并发地下载网页内容。每个线程负责下载一个指定的网页，这样可以大大加快整个下载过程。 不适合 CPU 密集型任务（在 CPython 解释器下） 由于 Python 的全局解释器锁（GIL）的存在，在 CPython（最常用的 Python 解释器）中，多线程在处理 CPU 密集型任务（如复杂的数学计算）时，并不能充分利用多核 CPU 的优势。因为同一时间只有一个线程可以执行 Python 字节码。例如，一个计算斐波那契数列的函数，在多线程环境下运行多个这样的计算任务，并不会比单线程快很多，因为多个线程会竞争 GIL，大部分时间都在等待获取 GIL 来执行代码。 不过，如果是在一些不带有 GIL 的 Python 解释器（如 Jython 或 IronPython）下，多线程对于 CPU 密集型任务可以更好地利用多核 CPU。
二、线程的创建和启动 使用threading?？榇唇ㄏ叱? 可以通过定义一个函数作为线程要执行的任务，然后使用threading.Thread类来创建线程对象。线程对象的target参数指定要执行的函数，args参数（可?。┲付ù莞牟问?。 示例：
import threading
def print_numbers():
for i in range(10):
print(i)
thread = threading.Thread(target=print_numbers)
thread.start()