答案：优化I/O密集型程序需减少等待时间并提高并发效率。示例中，同步下载多个网页时，传统方式逐个请求导致I/O空闲；采用异步I/O（asyncio + aiohttp）可在等待响应时发起其他请求，提升吞吐量；使用多线程（ThreadPoolExecutor）则适合阻塞式操作或不支持异步的场景。关键点包括避免串行等待、选择合适并发模型、控制并发规模及复用连接以降低开销。
处理I/O密集型程序时，核心瓶颈通常不在CPU计算能力，而在于等待输入输出操作完成的时间。这类程序常见于文件读写、网络请求、数据库访问等场景。优化的关键是减少等待时间、提高并发效率。下面通过一个实际示例说明如何优化。
问题示例：同步下载多个网页
假设我们需要从多个URL抓取网页内容，使用传统的同步方式：
import requestsdef fetch_urls_sync(urls): results = [] for url in urls: response = requests.get(url) results.append(response.text) return results
这种方式每次请求都要等待前一个完成，I/O空闲时间长，整体效率低。
优化1：使用异步I/O（asyncio + aiohttp）
通过异步编程，可以在等待某个请求响应的同时发起其他请求，大幅提升吞吐量。
import asyncio import aiohttpasync def fetch_url(session, url): async with session.get(url) as response: return await response.text()
async def fetch_urls_async(urls): async with aiohttp.ClientSession() as session: tasks = [fetch_url(session, url) for url in urls] return await asyncio.gather(*tasks)
调用
results = asyncio.run(fetch_urls_async(urls))
这种方法利用事件循环，在单线程中高效管理多个I/O任务，避免线程开销，适合高并发网络请求。
优化2：使用多线程（ThreadPoolExecutor）
对于不支持异步的库或复杂兼容场景，可采用线程池实现并发请求。
from concurrent.futures import ThreadPoolExecutor import requestsdef fetch_url_thread(url): response = requests.get(url) return response.text
def fetch_urls_threaded(urls, max_workers=10): with ThreadPoolExecutor(max_workers=max_workers) as executor: return list(executor.map(fetch_url_thread, urls))
每个请求在独立线程中执行，主线程不再阻塞。适用于阻塞式I/O操作，但注意线程数量不宜过多，避免系统资源耗尽。
优化关键点总结
针对I/O密集型任务，优化方向明确：
- 避免串行等待：不要让程序空等I/O完成，应尽可能重叠多个操作。
- 选择合适并发模型：异步适合高并发网络服务；多线程适合与旧代码集成或简单并行化。
- 控制并发规模：设置合理的连接池、线程数或信号量，防止目标服务拒绝或本地资源耗尽。
- 结合连接复用：如aiohttp中使用ClientSession，复用TCP连接，减少握手开销。
基本上就这些。关键是理解I/O等待的本质，并用并发手段填补空闲时间，从而显著提升程序响应速度和吞吐能力。
