我用Python编写了一个工作程序，基本上解析了一批二进制文件，将数据提取到数据结构中。每个文件大约需要一秒钟来解析，这意味着数千个文件的小时数。我已经成功实现了具有可调整线程数的批处理解析方法的线程版本。我在具有不同线程数的100个文件上测试了该方法，每次运行计时。以下是结果（0个线程指的是我原来的预线程代码，1个线程到新版本运行时产生的单个线程）。
0 threads: 83.842 seconds
1 threads: 78.777 seconds
2 threads: 105.032 seconds
3 threads: 109.965 seconds
4 threads: 108.956 seconds
5 threads: 109.646 seconds
6 threads: 109.520 seconds
7 threads: 110.457 seconds
8 threads: 111.658 seconds
虽然生成一个线程会比主线程执行所有工作带来小的性能提升，但实际上的线程数会增加性能。我本来希望看到性能提升，至少最多四个线程（每个机器核心一个）。我知道线程有相关的开销，但我认为这对于一位数的线程来说并不重要。
我听说过“全局解释器锁定”，但是当我移动到四个线程时，我确实看到了相应的内核数量 - 两个线程两个核心在解析期间显示活动，依此类推。 / p>
我还测试了一些不同版本的解析代码，看看我的程序是否是IO绑定的。它似乎不是;只读文件需要相对较小的时间;处理文件几乎就是全部。如果我不执行IO并处理已读取的文件版本，我添加第二个线程会损害性能，第三个线程会略微改进它。我只是想知道为什么我不能利用我的计算机的多核来加快速度。请发布我可以澄清的任何问题或方法。
答案 0 :(得分：39)
令人遗憾的是CPython中的情况如何，主要是由于Global Interpreter Lock（GIL）。 CPU绑定的Python代码不能跨线程扩展（另一方面，I / O绑定代码可能在某种程度上扩展）。
David Beazley提供了一个信息量很大的presentation，他讨论了围绕GIL的一些问题。视频可以找到here（感谢@Ikke！）
我的建议是使用multiprocessing模块而不是多线程。
答案 1 :(得分：9)
线程库实际上并不同时使用多个内核进行计算。您应该使用multiprocessing库代替计算线程。