我要招人

Python面试题更新 2026-08-05

Python 程序中，通过 multithreading 可以采取哪些实际做法来提升程序性能？

性能优化技术原理方案权衡Python

考察说明

考查对 Python 多线程适用场景及 GIL 限制的理解，以及能否给出具体的性能优化手段。

回答思路

  1. 【回答框架 1】多线程适用于 I/O 密集型任务，因为 GIL 会限制 CPU 密集型任务的并行执行。对于计算密集型，考虑多进程或使用 C 扩展。
  2. 【回答框架 2】使用 concurrent.futures.ThreadPoolExecutor 管理线程池，避免手动创建大量线程。设置合适的 max_workers，例如基于 I/O 等待比例估算，并最终通过压测确定。
  3. 【回答框架 3】避免共享状态，减少锁竞争。使用线程本地存储或不可变数据结构，或者用 queue.Queue 进行线程间通信。
  4. 【回答框架 4】对于 I/O 密集型任务，可以用异步 I/O 如 asyncio 或协程，但多线程仍简单有效。对于 CPU 密集型，可以采用 multiprocessing 并行，但要注意进程间通信开销。
  5. 【回答框架 5】实际优化时，先分析瓶颈，使用 profiling 工具如 cProfile 定位热点，再决定是否用多线程。多线程并不保证性能提升，可能因 GIL 和上下文切换导致下降。
  6. 【关键点 1】GIL 限制 CPU 密集型任务的并行，多线程适合 I/O 密集型。
  7. 【关键点 2】使用 ThreadPoolExecutor 管理线程池以简化并发。
  8. 【关键点 3】通过队列或不可变状态减少锁竞争。
  9. 【关键点 4】压测验证线程数调整，避免盲目增加线程。
  10. 【关键点 5】对于计算密集任务，改用 multiprocessing 或异步方案。
  11. 【易错点 1】认为 Python 多线程能利用多核并行加速 CPU 密集计算。
  12. 【易错点 2】忽略 GIL 存在，导致线程间切换开销大于收益。
  13. 【易错点 3】不控制线程数量，创建过多线程引发资源竞争和上下文切换开销。