Python多线程关键在理解GIL仅限Python字节码执行、I/O时释放，CPU密集型才受阻；共享变量须用Lock或Queue防护；调试靠线程命名与enumerate。
Python多线程不是“开几个Thread就完事”，真正卡住多数人的，是GIL、共享状态、线程安全这些底层逻辑没理清。这一讲不堆代码，专攻“为什么这样写才对”。
GIL到底锁住了什么？别再背“Python不能并行”了
GIL（全局解释器锁）只限制同一时刻只有一个线程执行Python字节码，但它不锁I/O操作、不锁C扩展、不锁系统调用。所以： - 文件读写、网络请求、time.sleep() 期间，GIL会释放，其他线程可运行 - 纯CPU密集型任务（如大数组计算、递归）才真被GIL拖慢 - 想突破GIL？用multiprocessing（进程）、numba、Cython，或把计算交给asyncio+协程
共享变量=定时炸弹？线程安全的三个关键动作
多个线程读写同一个变量（比如全局list、dict、类属性），必须主动防护： - 用threading.Lock：临界区前后加lock.acquire()/lock.release()，推荐用with语句自动管理 - 避免直接共享可变对象：优先用queue.Queue传递数据（它内部已加锁） - 慎用局部变量+闭包：看似不共享，但若闭包引用了外部可变对象，仍可能出问题
实战案例：并发下载10个网页，怎么写才不翻车？
目标：同时发起10个HTTP请求，汇总响应长度。错误写法是用全局列表append；正确结构如下：
（示例逻辑，非完整代码）
- 创建一个threading.Lock实例 - 每个线程拿到响应后，用with lock: results.append(len(html)) - 或更优：用queue.Queue()代替列表，主线程从队列取结果 - 加上超时控制（requests.get(timeout=5)）和异常捕获，防止某个线程卡死拖垮全部
调试多线程程序的两个硬招
现象难复现？别靠print猜： - 用threading.enumerate() 查看当前活跃线程数 - 用threading.current_thread().name 给每个线程命名，日志里一眼分清谁在干啥 - 遇到死锁？加timeout参数（Lock.acquire(timeout=2)），让线程失败退出而非无限等
