Python 并发编程指南：协程 vs 多线程及其他模型比较

Python 并发编程指南：协程 vs 多线程及其他模型比较

并发编程是指在单个程序中同时处理多个任务的能力，这些任务可以交替进行（同一时刻并不一定真的同时运行），而并行则强调在同一时刻真正同时运行多个任务（通常需要多个CPU核） (GlobalInterpreterLock - Python Wiki)。Python提供了多种并发模型，包括多线程、多进程和协程等，它们各有不同的运行机制和适用场景。在CPython解释器中，由于**全局解释器锁（GIL）**的存在，同一时刻只有一个线程能执行Python字节码 (threading — Thread-based parallelism — Python 3.13.2 documentation)。因此，我们需要根据任务类型（I/O密集型还是CPU密集型）选择合适的并发策略，从而提高程序性能和响应速度。

下面将详细比较Python中的协程（基于asyncio）与多线程（threading）的使用方法、运行机制、示例代码和应用场景，并介绍其他相关的并发概念，如多进程、GIL、线程池/进程池等。

Python 多线程（Threading）基础

多线程是指在单一进程内创建多个线程，让它们看似同时执行。每个线程由操作系统调度，线程之间共享进程的内存空间，因此可以方便地共享数据。但是，在CPython实现中，全局解释器锁限制了多线程的并行执行：一次只能有一个线程执行Python代码 (threading — Thread-based parallelism — Python 3.13.2 documentation)。这意味着对于CPU密集型的纯Python任务，多线程并不能利用多核优势，线程反而会串行执行。但对于I/O密集型任务（如文件读写、网络请求），线程在等待I/O时会释放GIL，使得其他线程可以运行，从而实现并发效率 (GlobalInterpreterLock - Python Wiki)。正如官方文档所建议，如果想充分利用多核CPU，应考虑使用多进程或进程池，而多线程更适合同时运行多个I/O绑定的任务 (threading — Thread-based parallelism — Python 3.13.2 documentation)。

**使用方法：**Python提供了threading标准库来管理线程。可以通过创建threading.Thread实例并指定目标函数来启动新线程。每个线程可以执行相同或不同的任务，主线程可以使用join()等待所有子线程完成。下面是一个简单示例，演示启动多个线程并发执行：

import threading
import timedef worker(name):print(f"线程 {name} 开始")time.sleep(2)  # 模拟I/O操作print(f"线程 {name} 结束")# 创建并启动3个线程
threads = []
for i in range(3):t = threading.Thread(target=worker, args=(i+1,))threads.append(t)t.start()# 等待所有线程完成
for t in threads:t.join()
print("所有线程任务已完成")

在以上代码中，我们创建了3个线程来执行worker函数。每个线程启动后都会打印开始信息，等待2秒（模拟某种I/O等待），然后打印结束信息。由于使用了多线程，这三个任务会并发执行——总的运行时间约为2秒多一点，而不是顺序执行所需的6秒。这表明多线程能够有效地重叠等待时间，从而提高I/O密集任务的吞吐量。

运行机制：多线程由操作系统内核调度，利用时间片轮转等策略实现任务切换。在线程切换时，CPU寄存器、调用栈等上下文需要保存和恢复，这就带来了上下文切换开销。相比进程，线程的上下文切换开销较小，因为线程共享进程的大部分资源。然而，Python的GIL会使线程调度变为串行化（对于CPU计算），即使底层操作系统可能将线程分配到不同CPU核上，GIL也会确保同一时刻只有一个线程在执行Python字节码 (threading — Thread-based parallelism — Python 3.13.2 documentation)。值得注意的是，一些性能导向的扩展库（如NumPy的底层C代码）可以释放GIL，从而在多线程情况下实现真正的并行计算 (threading — Thread-based parallelism — Python 3.13.2 documentation)。总体来说，多线程非常适合I/O密集型任务，例如等待网络响应或文件读写，因为当一个线程阻塞等待I/O时，其他线程仍可继续运行。对于这些场景，多线程可以显著提升程序的响应能力和吞吐量 (GlobalInterpreterLock - Python Wiki)。

适用场景：由于GIL的限制，多线程并不适用于加速纯Python的CPU密集运算（例如大量数学计算、图像处理等），此时开启多个线程反而可能增加开销并不能缩短执行时间。然而，在需要同时处理许多I/O操作时，多线程是简便且有效的选择。例如，一个爬虫程序可以开启多个线程抓取网页；GUI程序可以使用后台线程执行耗时任务以避免阻塞主线程的界面；在网络服务器中，可以采用线程来处理不同客户端的请求（典型的线程池模型）。需要注意的是，多线程编程中涉及线程安全问题：多个线程访问共享数据时需要使用锁（Lock）、信号量等同步原语来防止竞态条件和数据不一致。这增加了编程复杂度，也可能因不当使用锁导致死锁等问题。开发者在使用多线程时需要仔细设计线程间的通信与同步机制。

Python 协程（Asyncio）基础

协程是一种基于程序级别的轻量级“线程”，与操作系统线程不同，协程由程序本身调度。在Python中，协程通常通过asyncio库并结合async/await语法来实现。协程的运行基于事件循环：事件循环在单一线程中反复调度各个协程任务，只有在协程明确挂起（await某个异步操作）时才切换到其他任务。由于切换由程序控制且无需操作系统内核干预，协程切换的开销远小于线程的上下文切换开销 (Python中的多线程与协程的比较与应用场景-阿里云开发者社区)。协程通过这种合作式调度实现并发——任务在需要等待时主动让出控制权，从而在单线程内实现高效的并发执行 (Python 多线程、多进程与协程的对比与应用-CSDN博客)。Python的asyncio正是提供了这种事件驱动的协程并发模型，它无需创建真正的OS线程即可并发执行大量任务 (threading — Thread-based parallelism — Python 3.13.2 documentation)。

**使用方法：**要定义一个协程函数，使用async def关键字；在协程内部可以使用await调用其他协程或等待异步I/O操作。为了运行协程，需要一个事件循环，例如使用asyncio.run()来执行最高层的协程函数，或者在事件循环中创建任务。下面是一个简单的协程示例，演示如何使用asyncio并发执行两个异步任务：

import asyncioasync def say_after(delay, what):await asyncio.sleep(delay)print(what)async def main():# 并发启动两个协程任务task1 = asyncio.create_task(say_after(1, "hello"))task2 = asyncio.create_task(say_after(2, "world"))print("任务开始")# 等待两个任务完成await task1await task2print("任务结束")asyncio.run(main())

在这个示例中，say_after 是一个协程，它等待给定的秒数后打印一句话。main函数中，我们通过asyncio.create_task并发调度了两个协程任务：一个等待1秒后打印“hello”，另一个等待2秒后打印“world”。由于它们是在同一事件循环中并发执行的，整个程序约在2秒后就完成了所有任务（比顺序等待3秒快） (Coroutines and Tasks — Python 3.13.2 documentation) (Coroutines and Tasks — Python 3.13.2 documentation)。运行结果中可以看到“hello”大约在启动1秒后打印，“world”在2秒后打印，最后打印“任务结束”。这表明协程成功实现了并发：在等待I/O（这里通过asyncio.sleep模拟）时，事件循环切换到了其他任务执行。

运行机制：asyncio通过单线程的事件循环来调度协程任务。协程本质上是一种用户级线程，只有在执行await时才会主动让出控制权。因此，协程的并发是非抢占式的：一个协程运行期间除非遇到await，否则不会被自动中断。这意味着编写协程代码时需要确保适当使用await使任务及时让出控制，以防某个协程长时间占用线程而阻塞了整个事件循环。由于所有协程都在一个线程中执行，协程之间无需像线程那样加锁防止数据竞争——在事件循环的调度下，同一时刻只有一个协程在运行，避免了多线程锁竞争和上下文切换开销 (Python中的多线程与协程的比较与应用场景-阿里云开发者社区)。协程非常适合处理大量I/O密集型任务：例如高并发的网络请求、socket通信、文件读写等场景，在这些场景下协程相比多线程可以显著减少由于线程切换带来的开销 (Python 多线程、多进程与协程的对比与应用-CSDN博客)。需要注意，如果协程中执行了大量纯计算且没有适当的await让出控制，整个事件循环都会被阻塞（因为仍然只有一个底层线程）。因此对于CPU密集型任务，协程并不能利用多核并行，往往需要搭配多进程或将计算密集部分放到线程池/进程池中执行。

适用场景：协程的优势在于处理高并发的I/O场景。典型例子包括：基于asyncio的网络服务器或客户端（同时处理成百上千个连接）、网络爬虫（并发抓取大量网页）、聊天服务器、即时通讯应用等。当有大量任务主要在等待I/O时，协程能够以单线程下的极小开销调度上万级别的并发任务。在这些情况下，协程往往比创建等量的线程更加高效和节省资源 (Python中的多线程与协程的比较与应用场景-阿里云开发者社区)。另外，协程采用声明式的async/await语法，使异步流程看起来像同步代码，避免了传统回调函数方式的回调地狱，代码可读性更好。不过，协程也有其局限：对于需要利用多核进行并行计算的工作，它无法像多进程那样真正并行；同时对初学者来说，引入async/await会增加一些学习成本，一些现有的阻塞库也需要异步替代方案才能在协程中使用。总的来说，如果任务涉及大量并发I/O且每个任务自身的CPU开销不大，协程是非常理想的选择。

协程 vs 多线程：差异对比

协程和多线程都是实现并发的手段，但它们在实现机制、性能特点和使用方式上有显著差异：

• 底层实现：多线程依赖操作系统内核调度，使用原生线程并发执行；协程则完全在用户空间由事件循环调度，在单线程内实现并发 (threading — Thread-based parallelism — Python 3.13.2 documentation)。这意味着协程不会真正创建新的OS线程，它通过程序逻辑在需要时切换任务。
• 调度方式：多线程是抢占式并发——操作系统可以在任意时刻中断和切换线程；协程是合作式并发——只有当协程代码主动await时才发生切换。协程避免了线程抢占造成的同步问题，但也要求开发者合理插入await以防止“独占”事件循环。
• 上下文切换开销：线程切换由OS完成，需要保存/恢复寄存器和栈等，开销相对较高；协程切换只是函数栈的切换，由于运行在同一线程，开销极小，非常轻量 (Python中的多线程与协程的比较与应用场景-阿里云开发者社区)。因此在大量并发任务情况下（成百上千任务），协程的资源占用和调度开销往往比等量线程要低得多 (Python中的多线程与协程的比较与应用场景-阿里云开发者社区)。
• 并行能力（CPU利用率）：由于GIL存在，CPython中多个线程无法同时在多个核上执行Python字节码 (threading — Thread-based parallelism — Python 3.13.2 documentation)——多线程并不能提升CPU密集型任务的吞吐（除非调用释放GIL的计算例程）。协程本身也是在单线程运行，同样无法利用多核并行。所以无论线程还是协程，对于CPU密集型任务，必须借助多进程才能真正并行利用多核。如果是I/O密集型任务，多线程和协程都能够并发执行并提高总体吞吐，但协程可以用更少的开销处理更多的并发连接数 (Python中的多线程与协程的比较与应用场景-阿里云开发者社区)。
• 编程难度：多线程需要考虑线程间共享数据的同步，涉及锁、信号量、线程安全队列等，容易出现死锁、竞态等问题，调试复杂 (Python中的多线程与协程的比较与应用场景-阿里云开发者社区)。协程因为单线程执行，消除了大部分此类问题，逻辑上更接近顺序执行，使用async/await编写异步代码相对直观。不过，引入协程需要学习新的编程范式，调试协程调度问题也有一定难度（如意外阻塞事件循环的问题）。
• 典型应用场景：多线程常用于I/O操作适中且需要简化并发编程的场景，例如同时下载多个文件、并行执行多个独立任务等。协程则擅长极高并发I/O的场景，例如高并发网络服务器、爬虫等，需要同时处理大量socket连接。需要强调的是，如果任务涉及大量计算（CPU瓶颈），无论使用线程还是协程，都应考虑拆分任务到多进程或原生扩展，以绕过GIL限制 (Python中的多线程与协程的比较与应用场景-阿里云开发者社区)。

总之，协程和多线程各有千秋：协程胜在极高并发下的轻量级调度和避免锁开销，而多线程则在处理少量并发且需要直接利用现有同步机制或与阻塞IO库交互时比较方便。选择哪种模型应根据任务性质权衡：I/O密集且并发数量特别大倾向于协程，I/O密集但并发量不高或需要与现有非异步代码集成时可以使用多线程。而在CPU密集型任务上，这两者的差异反而次要，因为都无法利用多核，需要引入其他并发手段（如多进程）。

Python 多进程（Multiprocessing）

多进程是另一种并发模型，它通过在操作系统层面创建多个进程来实现真正的并行执行。Python提供了multiprocessing模块，使我们能够方便地启动子进程并在其中运行任务。每个子进程有独立的Python解释器和全局解释器锁，因此多个进程可以在不同CPU核上同时执行Python代码，实现真正的并行计算 (Python 多线程、多进程与协程的对比与应用-CSDN博客)。这使得多进程非常适合CPU密集型的任务，因为它能够绕过GIL限制，充分利用多核硬件资源 (Python 多线程、多进程与协程的对比与应用-CSDN博客)。例如，在进行复杂的计算（矩阵运算、数据分析）或图像处理时，使用多进程可以显著缩短运行时间。

使用方法： 可以直接使用multiprocessing.Process来创建进程，类似于threading的接口，也可以使用更高级的multiprocessing.Pool或后面介绍的concurrent.futures.ProcessPoolExecutor创建进程池。下面示例展示如何启动多个进程来并行执行任务：

from multiprocessing import Process
import timedef worker(name):print(f"进程 {name} 开始 (PID={os.getpid()})")time.sleep(2)  # 模拟耗时操作print(f"进程 {name} 结束 (PID={os.getpid()})")processes = []
for i in range(3):p = Process(target=worker, args=(i+1,))processes.append(p)p.start()for p in processes:p.join()
print("所有进程任务已完成")

在这个例子中，我们创建了3个子进程分别执行worker函数。每个子进程都会输出自身的开始和结束信息（包含进程ID）。由于是不同的进程，这些任务可真正同时运行在多个CPU上，因此总运行时间约为2秒左右，而非顺序执行需要的6秒。子进程运行完后，我们使用join()等待它们结束。可以看到，多进程用法和多线程十分类似，但底层实现差别很大：每个进程有独立的内存空间和解释器状态，变量不能直接在不同进程间共享（需要通过队列、管道或共享内存等机制进行进程间通信IPC）。

运行机制：操作系统通过进程调度器分配CPU时间给不同进程。进程间相互独立，一个进程的崩溃不会直接影响另一个。这种隔离带来了更高的健壮性和安全性，但是也导致更高的资源开销：创建进程比创建线程开销大，需要分配新的内存空间，操作系统需要维护额外的PCB（进程控制块）等信息。另外，进程间数据交换必须通过IPC，通信成本高于线程共享内存的方式 (Python 多线程、多进程与协程的对比与应用-CSDN博客)。因此，虽然多进程能够利用多核并行执行，但在任务粒度很小、需要频繁共享数据的场景下，多进程的效率可能不如多线程或协程。

适用场景：多进程最适合CPU密集型的工作，例如大规模的计算任务、数据处理、机器学习模型训练等。这些场景下，每个任务需要大量CPU时间，而且各任务之间交互不频繁、数据共享较少。通过多进程可以让每个CPU核承担一部分工作，从而线性加速总体计算。同时，由于进程间彼此独立，多进程也用于一些需要隔离执行的场景，比如将不同客户任务放在不同进程以防止崩溃互相影响，或者在服务器中使用多个进程（而非线程）来处理请求以利用多核并提高健壮性。一些Web服务器（如使用Gunicorn运行多进程的WSGI应用）就是这种模型。不过，对于I/O密集型任务，多进程并不一定优于多线程或协程——因为I/O操作本身不会占满CPU，多进程的并行能力无用武之地，反而增加了进程切换和IPC的开销。因此，选择多进程需要权衡：仅当需要绕过GIL执行CPU繁重任务或要求更高隔离时才使用，其他情况下可能有更轻量的并发方案。

全局解释器锁（GIL）的影响

**全局解释器锁（Global Interpreter Lock, GIL）**是CPython解释器中的一个机制，它确保同一时刻只有一个线程执行Python字节码。GIL实际上是一个互斥锁，保护着Python的内部对象状态，防止多线程同时访问修改这些状态，从而保证了解释器执行的线程安全 (GlobalInterpreterLock - Python Wiki)。换句话说，在CPython中，无论有多少个线程，同时只能有一个线程持有GIL在运行Python代码，其它线程即使在不同CPU核上也处于等待状态。这对Python多线程并发的影响是深远的：

• 限制CPU并行：GIL使得Python的多线程无法利用多核CPU同时执行多个线程的字节码。当线程数增加时，CPU计算密集的程序并不会像预期那样加速，可能还因为线程调度开销略有下降甚至变慢。举个例子，如果一个任务纯粹计算密集（如计算大量素数），使用10个线程和1个线程的性能可能相差无几，因为10个线程实际上仍是在串行地争用同一个CPU核运行。正因为如此，Python官方文档明确指出：若想充分利用多核，应采用多进程或进程池而非多线程 (threading — Thread-based parallelism — Python 3.13.2 documentation)。
• I/O密集情况下的作用：在I/O操作中（如磁盘读写、网络收发），线程执行I/O操作时会释放GIL，使得其他线程可以获得GIL继续执行 (GlobalInterpreterLock - Python Wiki)。此外，许多执行耗时工作的C扩展库也会在执行期间释放GIL，例如进行矩阵运算的NumPy、图像处理的OpenCV等。这意味着对于I/O密集型任务，GIL对多线程并发性能的影响并不明显：一个线程等待I/O时另一个线程可以运行，多个线程各自等待不同的I/O操作能够实现真正的并发 (GlobalInterpreterLock - Python Wiki)。因此我们看到诸如基于多线程的Web爬虫、网络服务器在I/O密集场景下仍然能有效并发运行。
• 线程竞争与性能：即便在I/O场景，GIL也会带来一些额外开销。当有多个线程频繁地获取和释放GIL时，GIL本身的锁开销会导致性能下降。在极端情况下，GIL可能造成线程颠簸（thrashing）：线程不断地切换但大部分时间都在竞争锁而非真正做有用工作。这种情况通常发生在混合了I/O和CPU操作的多线程程序中。不过，总的来说，如果多数时间线程都在等待I/O，GIL的开销是可以忽略的，而如果线程都在执行Python计算，则不如使用多进程来并行。
• 设计初衷：GIL最初是CPython为了简化内存管理和确保线程安全而引入的历史决策 (GlobalInterpreterLock - Python Wiki)。它极大地降低了Python实现的复杂度，使得在没有细粒度锁的情况下也能编写多线程代码（只要注意Python级别的同步即可）。但是它也成为了Python在多核并行计算方面的瓶颈。这些年来社区提出过多次移除GIL的方案，但由于GIL的存在与众多扩展模块的实现细节息息相关，彻底移除一直很困难 (GlobalInterpreterLock - Python Wiki)。

GIL的未来：值得一提的是，Python官方正在探索取消GIL的可能。在即将发布的Python 3.13中，引入了一种可选的“无GIL”解释器构建（称为“free threading”实验特性），允许在编译Python时禁用GIL (Python experimental support for free threading — Python 3.13.2 documentation)。在无GIL模式下，多线程可以真正并行执行，充分利用多核CPU (Python experimental support for free threading — Python 3.13.2 documentation)。不过，目前无GIL版本仍处于实验阶段，其单线程性能有所下降，兼容性也未完全成熟 (Python experimental support for free threading — Python 3.13.2 documentation)。PEP 703 提案详细描述了让GIL可选化的设想 (Python experimental support for free threading — Python 3.13.2 documentation)。如果这一特性在将来正式加入主线Python，多线程的并行能力将大大提升。然而在现阶段（Python 3.12及以前稳定版本），CPython的GIL仍然是客观存在的制约因素。因此，编写并发程序时需要充分考虑GIL的影响：对于CPU密集任务使用多进程或本地扩展，而对于I/O密集任务则可以放心地使用多线程或协程来实现并发。

线程池和进程池（concurrent.futures）

手动创建和管理线程或进程对于大量小任务来说可能比较繁琐，而且频繁创建销毁线程/进程也有一定开销。Python的concurrent.futures模块提供了线程池和进程池接口，方便地批量执行并发任务。其核心是两个类：ThreadPoolExecutor和ProcessPoolExecutor，分别用于管理线程池和进程池。这两个类实现了相同的接口（都是Executor的子类），因此使用方法也几乎相同 (concurrent.futures — Launching parallel tasks — Python 3.13.2 documentation)。

线程池（ThreadPoolExecutor）：线程池内部维护着固定数量的工作线程，调用者可以将函数提交给线程池，池中的线程会自动获取任务执行。当有大量独立的小任务需要并发执行时，使用线程池可以避免为每个任务创建销毁线程的开销。线程池特别适用于I/O密集型任务的批量并发，比如同时下载几十个网页、并行处理多个文件读写等。在Python中，线程池依然受GIL限制，意味着如果任务函数主要执行Python计算，线程池中的任务实际上还是串行运行的。因此经验法则是：I/O 密集型任务用线程池，而CPU 密集型任务不要用线程池 (ThreadPoolExecutor vs ProcessPoolExecutor in Python - Super Fast Python)（除非每个任务内部调用了释放GIL的扩展函数）。下面是线程池的使用示例：

from concurrent.futures import ThreadPoolExecutor, as_completed
import time# 定义一个简单的任务函数
def task(n):time.sleep(1)             # 模拟I/O等待return n * n# 使用线程池执行多个任务
with ThreadPoolExecutor(max_workers=3) as executor:futures = [executor.submit(task, i) for i in range(5)]for future in as_completed(futures):result = future.result()print(f"计算结果: {result}")

以上代码创建了一个最大工作线程数为3的线程池，并提交了5个任务（计算数字的平方，包含1秒的模拟等待）。线程池会调度最多3个任务并发运行，其它任务排队等待线程空闲。通过as_completed我们可以按任务完成顺序获取结果并打印。运行时可以看到，尽管总共有5个任务，每个任务睡眠1秒，但因为有3个线程并发执行，总耗时比顺序执行明显减少。线程池的好处是我们无需手工启动和管理每个线程，ThreadPoolExecutor会重用线程来执行多个任务，从而降低频繁创建线程的开销。

进程池（ProcessPoolExecutor）：进程池和线程池的接口一致，只是内部使用子进程来执行任务。对于CPU密集型的并行计算，进程池可以充分利用多核优势，将任务分配给多个进程同时运行 (ThreadPoolExecutor vs ProcessPoolExecutor in Python - Super Fast Python)。使用进程池时，需要确保任务函数及其参数是可序列化（picklable）的，因为底层实现会通过序列化数据将任务发送给子进程执行。以下是将上述示例改为使用进程池的方式：

from concurrent.futures import ProcessPoolExecutorwith ProcessPoolExecutor(max_workers=3) as executor:futures = [executor.submit(task, i) for i in range(5)]for future in as_completed(futures):result = future.result()print(f"计算结果: {result}")

可以看到，除了将类名改为ProcessPoolExecutor之外，代码与线程池版本几乎相同。事实上，这种统一的接口使得我们可以很方便地在线程池和进程池之间切换：如果后来发现任务是CPU密集型的，只需改用进程池即可。需要注意，进程池启动时会预先创建子进程（数量取决于max_workers），这一步相对耗时且占用资源，因此对于非常短小的任务，进程池的收益可能被启动开销抵消。线程池则没有跨进程通信的开销，适合处理快速的I/O任务。总的来说，线程池适合I/O型并发批处理，进程池适合CPU型并行计算 (ThreadPoolExecutor vs ProcessPoolExecutor in Python - Super Fast Python)。

除了submit/as_completed之外，Executor还提供了map方法，可以更简洁地并行映射函数。例如：executor.map(task, range(5))会并发地将task应用到0-4五个参数上，并返回一个结果迭代器。无论线程池还是进程池，都大大简化了并发编程的工作，使我们更专注于要并发执行的任务本身。

不同并发模型的优缺点和典型应用

下面将各种并发模型的特点作一个总结，方便根据需求选择合适的方案：

• 多线程 (Threading)：优点是在单进程内并发，线程间共享内存数据，切换开销小于进程。对于I/O密集型任务，多个线程可以在等待I/O时并发执行其他操作，提高效率 (GlobalInterpreterLock - Python Wiki)。线程编程相对直观，Python的线程库使用也较简单。缺点是CPython的GIL限制了其在CPU密集型任务上的并行能力 (threading — Thread-based parallelism — Python 3.13.2 documentation)，无法利用多核提升速度。此外，多线程需要处理同步和锁机制，稍有不慎会出现竞态条件或死锁，调试难度大。在Web爬虫、文件读写并发、网络服务等主要受限于I/O的场景，多线程是常用且有效的方案。

• 协程 (Asyncio)：优点是极高的并发能力和资源效率。在单线程里就能调度成千上万的协程任务，开销远小于成千上万的线程 (Python中的多线程与协程的比较与应用场景-阿里云开发者社区)。协程避免了线程同步问题，代码风格接近同步逻辑，维护性好。非常适合高并发I/O场景（例如高并发网络服务器、聊天服务器、爬虫等），能以很小的线程数处理海量并发连接。缺点是不能利用多核并行CPU计算，如果有耗时的计算任务会阻塞整个事件循环。此外，引入协程需要学习异步编程模型，调试思维与同步有所不同。一些阻塞库无法直接在协程中使用（需有对应的异步库或使用线程池封装）。典型应用如基于aiohttp的异步Web服务、异步爬虫等，它们通常面临大量并发I/O且每个请求处理耗时很短，这正是协程大显身手之处。

• 多进程 (Multiprocessing)：优点是可以利用多核CPU实现真正的并行，加速CPU重负荷任务 (Python 多线程、多进程与协程的对比与应用-CSDN博客)。各进程独立运行，彼此隔离，提高健壮性，某个子进程崩溃不影响主进程。适合CPU密集型的计算，如科学计算、图像处理、大数据分析等，通过划分任务到多个进程可近似线性地缩短执行时间。缺点是进程创建和上下文切换开销大于线程，进程间共享数据需要序列化传输，编程模型相对复杂。过多的进程也可能因为争夺硬件资源而降低整体性能。典型应用场景包括使用multiprocessing并发计算、Web服务器采用多进程模式处理请求（如Gunicorn启动多个Worker进程）、任务执行器将独立任务分配给多个进程并行完成等。当需要最大化CPU利用率且任务之间相对独立时，多进程是有效的选择。例如，在进行矩阵运算或机器学习训练时，可用多进程将不同数据块分配到多个核并行处理；又比如批量处理图像时，每个进程处理部分图像，实现总体加速 (Python 多线程、多进程与协程的对比与应用-CSDN博客)。

• 线程池：线程池本质上是对多线程的封装管理。优点是简化了使用多个线程的流程，自动控制线程的数量和生命周期，适合一次性并发很多短小任务的情况。通过重用线程资源，降低了频繁创建销毁线程的成本。当有海量小型I/O任务时（例如并发调用很多外部API），线程池可以高效地调度执行。其限制仍然是GIL，因此对于CPU密集任务，多线程池不会比单线程快。一般来说，线程池用于I/O密集的批处理任务，让我们不用关心线程同步和调度，只关注任务本身。缺点方面，线程池的任务函数如果处理不好仍可能出现死锁等问题（例如在线程池任务中再次发起阻塞调用）。另外，需要注意不要将耗时巨大的计算放入线程池，否则线程长期占用CPU会降低并发效果。

• 进程池：进程池是对多进程的封装管理。优点是同样简化了使用多进程的流程，屏蔽了IPC细节，自动维护一定数量的子进程空闲等待任务，避免频繁创建进程的开销。适用于CPU密集型的并行任务批处理，例如对一组数据分别做复杂计算，将这些计算分发到进程池的不同进程并行完成。由于使用多进程，它可以绕过GIL限制，在多核上实现加速。进程池的缺点包括：启动过程较慢，占用更多内存，任务函数和数据需可序列化，过于频繁的小任务用进程池不划算等。总体而言，在需要并行加速计算且任务之间相对独立时，进程池提供了比手动管理进程更方便的接口。

典型应用选择示例：如果我们在实现一个高并发的聊天服务器，连接数成千上万且主要开销在网络I/O，那么使用协程（asyncio）无疑是最佳选择，可以在单线程中处理大量并发连接 (Python 多线程、多进程与协程的对比与应用-CSDN博客)。如果我们在进行图像滤镜处理批量照片，每张处理都需要大量CPU计算，则宜采用多进程或进程池将不同照片的处理分布到多个进程上并行进行 (Python 多线程、多进程与协程的对比与应用-CSDN博客)。对于同时下载100个文件的任务，线程池或协程都可以胜任：如果使用现成阻塞的HTTP库，线程池更直接；如果使用异步HTTP库，那么协程可取得更高效率。总之，应根据任务的性质（I/O还是CPU密集）、并发量以及代码维护成本来选择模型。很多情况下还可以混合使用：例如主程序使用asyncio协程处理网络I/O，但在需要做CPU密集型计算时，使用loop.run_in_executor将任务提交到进程池执行，从而兼顾了高并发和CPU并行。理解并善用这些并发工具，有助于我们写出高性能且高扩展性的Python应用。

参考文献：

1. Python官方文档 - Threading 模块说明 (threading — Thread-based parallelism — Python 3.13.2 documentation) (threading — Thread-based parallelism — Python 3.13.2 documentation)
2. Real Python: What Is the Python Global Interpreter Lock (GIL)? (GlobalInterpreterLock - Python Wiki) (GlobalInterpreterLock - Python Wiki)
3. CSDN博客：《Python 多线程、多进程与协程的对比与应用》 (Python 多线程、多进程与协程的对比与应用-CSDN博客) (Python 多线程、多进程与协程的对比与应用-CSDN博客) (Python 多线程、多进程与协程的对比与应用-CSDN博客)
4. 阿里云开发者社区：《Python中的多线程与协程：比较与应用场景》 (Python中的多线程与协程的比较与应用场景-阿里云开发者社区) (Python中的多线程与协程的比较与应用场景-阿里云开发者社区) (Python中的多线程与协程的比较与应用场景-阿里云开发者社区)
5. SuperFastPython: ThreadPoolExecutor vs ProcessPoolExecutor 使用建议