ThreadPoolExecutor处理CPU密集型任务为何远超预期速度？

你对GIL的认知没错：纯CPU密集型任务用ThreadPoolExecutor无法获得多核并行优势，因为同一时间只有一个线程能执行Python字节码。但你的测试代码里的cpu_slow_function并不是真正的纯CPU密集任务——问题出在循环里的time.time()调用。

核心原因： #

• time.time()是系统调用，Python在执行这类C实现的外部操作时，会主动释放GIL
• 当一个线程调用time.time()等待系统返回结果时，其他线程可以立即获取GIL并执行自身的任务
• 你的循环逻辑是不断调用time.time()来判断是否继续，这会频繁触发GIL的释放与线程切换，让多个线程实际上能并行推进，所以总耗时远低于串行执行的50秒

验证真正的CPU密集任务 #

如果要测试纯CPU密集场景，把循环改成不依赖系统调用的纯计算，比如：

@measure_execution_time
def pure_cpu_function(item):
    counter = 0
    # 固定次数的纯运算循环，无系统调用
    for _ in range(10**7):
        counter += 1
    return item, counter

用这个函数测试的话，ThreadPoolExecutor的总耗时会和串行执行差不多，而ProcessPoolExecutor才能利用多核CPU真正缩短耗时。

内容的提问来源于stack exchange，提问作者JaviOverflow