Python多线程搭配非异步requests库为何高效？

核心原理解释 #

关于GIL的误区 #

Python的GIL（全局解释器锁）确实限制同一时刻只有一个线程执行Python字节码，但当线程遇到阻塞式IO操作时（比如网络请求、文件读写），解释器会主动释放GIL，让其他线程获得执行权。你的场景中，每个线程发起请求后，大部分时间都在等待服务器响应（这是IO阻塞，而非CPU计算），此时GIL被释放，其他线程可以立刻发起自己的请求，所以三个请求几乎同时进行，总耗时仅略超5秒。

阻塞式requests的适配性 #

requests是阻塞式库，但这里的“阻塞”指线程在等待IO结果时会暂停，而非占用CPU资源。正因为这种IO阻塞会触发GIL释放，多线程可以在IO等待期间切换执行，实现近似并行的效果——这正是线程处理IO密集型任务的核心优势。

可查阅的参考资料 #

• Python官方文档中threading模块的说明，重点关注GIL与IO操作的交互逻辑
• 《Python Cookbook》中“使用线程处理IO密集型任务”相关章节
• Python官方GIL技术文档，了解GIL的设计初衷与释放机制
• requests官方文档，明确其阻塞式IO的工作模式

继续使用线程的建议 #

你的场景属于典型的IO密集型任务，完全不需要切换到异步库。可以通过以下方式优化现有代码：

• 使用concurrent.futures.ThreadPoolExecutor替代手动创建Thread对象，更方便管理线程池，减少代码冗余
• 控制线程池的max_workers数量，避免创建过多线程导致资源浪费（对于网络请求，通常设置为CPU核心数的2-5倍即可）

示例代码：

from concurrent.futures import ThreadPoolExecutor
import requests

def get_response(url):
    resp = requests.get(url)
    return (url, resp.status_code)

target_urls = ["https://your-wait-5s-url.com"] * 3

# 用线程池执行请求
with ThreadPoolExecutor(max_workers=3) as executor:
    results = executor.map(get_response, target_urls)

for url, status in results:
    print(f"{url} 响应状态码: {status}")

内容的提问来源于stack exchange，提问作者StefanH