CPU-bound(計算密集型) 和I/O bound(I/O密集型)

計算密集型任務(CPU-bound) 的特點是要進行大量的計算，占據著主要的任務，消耗CPU資源，一直處于滿負荷狀態。比如復雜的加減乘除、計算圓周率、對視頻進行高清解碼等等，全靠CPU的運算能力。這種計算密集型任務雖然也可以用多任務完成，但是任務越多，花在任務切換的時間就越多，CPU執行任務的效率就越低，所以，要最高效地利用CPU，計算密集型任務同時進行的數量應當等于CPU的核心數。

計算密集型任務由于主要消耗CPU資源，因此，代碼運行效率至關重要。Python這樣的腳本語言運行效率很低，完全不適合計算密集型任務。對于計算密集型任務，最好用C語言編寫。

IO密集型任務(I/O bound)的特點是指磁盤IO、網絡IO占主要的任務，CPU消耗很少，任務的大部分時間都在等待IO操作完成（因為IO的速度遠遠低于CPU和內存的速度）。

IO密集型任務執行期間，99%的時間都花在IO上，花在CPU上的時間很少，因此，用運行速度極快的C語言替換用Python這樣運行速度極低的腳本語言，完全無法提升運行效率。

對于IO密集型任務，任務越多，CPU效率越高，但也有一個限度。常見的大部分任務都是IO密集型任務，比如請求網頁、讀寫文件等。當然我們在Python中可以利用sleep達到IO密集型任務的目的。

對于IO密集型任務，最合適的語言就是開發效率最高（代碼量最少）的語言，腳本語言是首選，C語言最差。

全局鎖問題：

解釋器被一個全局解釋器鎖保護著，它確保任何時候都只有一個Python線程執行。

GIL最大的問題就是Python的多線程程序并不能利用多核CPU的優勢 （比如一個使用了多個線程的計算密集型程序只會在一個單CPU上面運行）。

GIL只會影響到那些嚴重依賴CPU的程序（比如計算型的）

如果你的程序大部分只會設計到I/O，比如網絡交互，那么使用多線程就很合適， 因為它們大部分時間都在等待。實際上，你完全可以放心的創建幾千個Python線程， 現代操作系統運行這么多線程沒有任何壓力，沒啥可擔心的。

解決方案：

首先，如果你完全工作于Python環境中，你可以使用 multiprocessing 模塊來創建一個進程池， 并像協同處理器一樣的使用它。

pool = None# Performs a large calculation (CPU bound)def some_work(args): ... return resultdef some_thread(): while True:  ...  r = pool.apply(some_work, (args))  ...# Initiaze the poolif __name__ == '__main__': import multiprocessing pool = multiprocessing.Pool()

另外一個解決GIL的策略是使用C擴展編程技術。 主要思想是將計算密集型任務轉移給C，跟Python獨立，在工作的時候在C代碼中釋放GIL。