前面的文章中，已经对Python并发编程中的多线程、多进程进行了详细的介绍，也分别对相关内置模块的使用进行了演示。

由于并发编程的内容比较多，本文打算就Python并发模型中的核心知识点进行一个系统的梳理，从而对并发模型有更加系统、深入的理解。

1、并发是指系统在同一段时间内处理多个任务的能力，但是这些任务不一定是同时运行的，可能是交替执行。由操作系统提供进行任务切换的相关调度算法，实现对CPU资源的分时复用。

2、并行是指同一个时间点执行多个任务的能力，这需要对硬件有所要求，一般是通过多核CPU来实现的，当然分布式计算环境也是真正意义上的并行。

1、进程，是计算机程序运行时的一个实例，消耗内存和CPU时间片。

2、进程是资源分配的基本单元，这里的资源更多的指的是内存地址空间。

3、由于进程的内存地址空间是相互隔离的，所以进程间通信一般需要经过序列化、传输、反序列化的操作。共享内存是一种无需序列化、无需数据复制的、更加高效的IPC方式。

4、线程，是单个进程中的执行单元，一个进程启动后，只使用一个线程，也就是主线程。

5、线程是执行调度的基本单元，这里的执行调度指的是CPU资源的分配。

6、多个线程可以共享同属于一个进程的内存空间（其中存储的Python对象）。因此，共享数据更加轻松，但是并发修改可能导致数据损坏。

7、协程，可以暂时简单理解为“可以挂起自身并在以后恢复的函数”，在后面的文章中，会进一步展开。

1、多个线程共享的资源，通常是内存中的Python对象，为临界资源。对临界资源的并发修改，可能导致数据异常，所以需要相应的同步机制，来避免资源的争用。

2、访问修改临界资源的代码，称为临界区。

3、解决对临界资源争用的最底层的逻辑是锁机制。

4、锁是一种供执行单元用来同步操作和避免数据损坏的对象，基于操作系统的相关原子操作实现。

1、Python解释器的每个实例是一个进程。通过使用multiprocessing或concurrent.futures模块可以启动额外的Python进程。通过subprocess模块可以启动运行外部程序（不管使用任何语言编写）的进程。

2、Python解释器仅使用一个线程运行用户的程序和内存垃圾回收程序。使用threading或concurrent.futures模块可以启动额外的Python线程。

3、为了保证垃圾回收的正常运行，对对象引用计数和其他内部状态的访问使用锁进程控制，这个锁就是“全局解释器锁（Global Interpreter Lock, GIL）”。任意时间点只有一个Python线程可以持有GIL，这就意味着，任意时间点只有一个线程能够执行Python代码，即便有多个CPU核心。

4、从公平性的角度考虑，为了防止一个Python线程无限期持有GIL，Python的字节码解释器默认每5ms暂停当前Python线程，释放GIL（不同版本实现上可能存在不同，通过sys.getswitchinterval()方法获取）。被暂停的线程可以再次尝试获取GIL，但是，如果有其他线程等待，通常操作系统可能会从中挑选一个线程进行调度执行。

5、我们编写的Python代码无法控制GIL，需要的话，可由内置函数或者C语言扩展释放GIL。

6、除了固定的5ms释放GIL，Python标准库中发起系统调用（系统调用是指用户的代码调用操作系统内核的函数，IO、计时器、锁等都是通过系统调用获得的内核服务）的函数也会导致GIL被释放。所以，当执行磁盘IO、网络IO、time.sleep()等会导致GIL释放。NumPy和SciPy库中的很多CPU密集型函数、zlib和bz2等压缩、解压缩操作的函数，也会导致GIL的释放。

7、GIL对使用Python线程进行网络编程等IO密集型的需求的影响较小，因为IO函数要释放GIL。

8、对GIL的争用会降低计算密集型Python线程的执行速度。对于这类任务，在单线程中依序执行的代码更加简单、速度也更快。

9、若想在多核上运行CPU密集型Python代码，Python 3.13之前必须使用多个Python进程，也就是多进程编程。Python 3.13提供了实验特性，去除了GIL。所以，基于3.13的实现特性环境中的多线程编程也是一种可以尝试的方案。

以上，就是本文的全部内容了。主要对之前所介绍的Python并发模型的内容，尤其比较核心的设计理念、注意事项进行了梳理。

感谢您的拨冗阅读！