以下是对 Python threading 模块的讲解，内容基于之前的回答，结构清晰，适合中午学习场景。讲解将简洁明了，涵盖核心概念、代码示例和注意事项，适合快速理解和应用。

---

Python threading 模块讲解

1. 什么是 threading 模块？

• threading 是 Python 标准库的一部分，用于实现多线程编程。
• 允许多个线程在同一进程中并发执行，共享内存，适合 I/O 密集型任务（如文件读写、网络请求）。
• 不适合 CPU 密集型任务，因为 Python 的 Global Interpreter Lock (GIL) 限制了线程并行执行字节码。

2. 核心功能

• 创建线程：通过 threading.Thread 类创建线程，运行指定函数。
• 线程同步：使用锁（如 Lock、RLock）防止数据竞争。
• 线程池：通过 concurrent.futures.ThreadPoolExecutor 管理多个线程。
• 高级工具：如 Semaphore（限制并发访问）、Timer（延迟执行）、Barrier（同步多线程）。

3. 基本示例

以下是一个简单的多线程程序，计算一个数的平方和立方：

import threading

def print_square(num):
    print(f"平方: {num * num}")

def print_cube(num):
    print(f"立方: {num * num * num}")

# 创建线程
t1 = threading.Thread(target=print_square, args=(10,))
t2 = threading.Thread(target=print_cube, args=(10,))

# 启动线程
t1.start()
t2.start()

# 等待线程完成
t1.join()
t2.join()

# 输出示例：
# 平方: 100
# 立方: 1000

说明：

• start() 启动线程，执行目标函数。
• join() 确保主线程等待子线程完成。
• 线程并发运行，输出顺序可能因调度而异。

4. 线程同步：避免竞争条件

多个线程访问共享资源可能导致数据错误，使用锁来解决。例如：

import threading

class FakeDatabase:
    def __init__(self):
        self.value = 0
        self._lock = threading.Lock()

    def update(self, name):
        print(f"线程 {name} 开始更新")
        with self._lock:
            local_copy = self.value
            local_copy += 1
            self.value = local_copy
        print(f"线程 {name} 完成更新")

db = FakeDatabase()
threads = [threading.Thread(target=db.update, args=(i,)) for i in range(2)]

for t in threads:
    t.start()
for t in threads:
    t.join()

# 输出示例：
# 线程 0 开始更新
# 线程 0 完成更新
# 线程 1 开始更新
# 线程 1 完成更新
# 最终值: 2

说明：

• Lock 确保一次只有一个线程修改 value，避免竞争条件。
• 没有锁的情况下，value 可能因交错执行而错误。

5. 线程池：高效管理多线程

使用 concurrent.futures.ThreadPoolExecutor 简化线程管理：

import concurrent.futures

def worker(task_id):
    print(f"任务 {task_id} 正在运行")
    return f"任务 {task_id} 完成"

with concurrent.futures.ThreadPoolExecutor(max_workers=2) as executor:
    results = [executor.submit(worker, i) for i in range(3)]

# 输出示例：
# 任务 0 正在运行
# 任务 1 正在运行
# 任务 2 正在运行

说明：

• ThreadPoolExecutor 限制最大并发线程数（这里为 2）。
• 适合批量任务，如网络请求或文件处理。

6. 注意事项

• GIL 限制：由于 GIL，线程无法充分利用多核 CPU，适合 I/O 密集型任务。对于 CPU 密集型任务，推荐 multiprocessing 模块。
• 死锁风险：使用锁时注意避免死锁（如线程互相等待）。
• 守护线程：设置 daemon=True 使线程随主程序退出，适合后台任务。
• Python 3.13+ 无 GIL：实验性无 GIL 构建可能改善线程性能，但仍需显式同步。

7. 实际应用场景

• 网络爬虫：并发下载网页，缩短等待时间。
• 文件处理：同时读写多个文件，提高效率。
• 实时日志：后台线程记录日志，不阻塞主程序。

8. 总结

threading 模块适合 I/O 密集型任务，提供灵活的线程创建、同步和池化工具。理解 GIL 和同步机制是使用它的关键。对于更复杂的需求，可结合 queue 或 concurrent.futures，或考虑 multiprocessing。

推荐资源

• 官方文档：threading 模块
• 教程：Real Python 线程介绍
• 进阶：GeeksforGeeks 多线程