1. 并发编程概述：进程与线程的概念、并发与并行的区别、Python中的GIL全局解释器锁

大家好，我是你们这门课的主讲。今天咱们聊聊并发编程最基础、也最绕不开的几个概念。说实话，我刚开始接触这块时，也被进程、线程、并发、并行这些词搞得晕头转向。别急，咱们一个一个掰开揉碎了讲。

1.1 进程与线程：到底是个啥？

先说说进程。你可以把进程想象成一个正在运行的程序的"独立王国"。每个进程都有自己的内存空间、资源句柄，互不干扰。我举个例子：你打开一个浏览器，再打开一个记事本，这就是两个进程。它们各自为政，一个崩了，另一个还能活得好好的。

那线程呢？线程是进程里的"干活的人"。一个进程可以有一个或多个线程，它们共享进程的内存和资源。说白了，线程就是进程里的"轻量级执行单元"。

我在项目中遇到过一个问题：用多进程处理大量数据，结果内存直接爆了。后来换成多线程，内存占用降了80%。嗯，这就是共享内存的好处。但要注意，共享也意味着要处理同步问题，这个后面会细讲。

1.2 并发与并行：别搞混了

这两个词，我见过太多人混用了。包括我自己刚入行时也犯过这错。

并发（Concurrency）：是逻辑上的"同时"。一个CPU快速切换任务，看起来像同时执行。就像你一边写代码一边听歌，其实是在快速切换注意力。

并行（Parallelism）：是物理上的"同时"。多个CPU核心真正同时执行多个任务。就像你左手画圆右手画方，前提是你有两只手。

对比项	并发	并行
本质	任务交替执行	任务同时执行
硬件要求	单核即可	多核必需
关注点	任务调度	任务执行
类比	一个人吃三个馒头	三个人各吃一个馒头

你想想看，如果你的程序是I/O密集型的（比如网络请求、文件读写），并发就够了。但如果是CPU密集型的（比如视频编码、科学计算），那就得上并行。

1.3 Python的GIL：绕不开的"紧箍咒"

好，重点来了。GIL，全称Global Interpreter Lock，全局解释器锁。这是Python里最让人又爱又恨的东西。

GIL是什么？ 简单说，它是一把大锁，保证同一时刻只有一个线程在执行Python字节码。你可能会问：那多线程还有啥用？

我曾经在一个爬虫项目里踩过这个坑。用多线程爬取100个网页，速度确实快了。但换成多线程做图像处理，反而比单线程还慢。为什么会这样？因为GIL让多个CPU核心无法同时执行Python代码，线程切换反而增加了开销。

来看个代码示例，感受一下GIL的影响：

import threading
import time

def count_down(n):
    while n > 0:
        n -= 1

# 单线程
start = time.time()
count_down(50000000)
count_down(50000000)
print(f"单线程耗时: {time.time() - start:.2f}秒")

# 多线程
start = time.time()
t1 = threading.Thread(target=count_down, args=(50000000,))
t2 = threading.Thread(target=count_down, args=(50000000,))
t1.start()
t2.start()
t1.join()
t2.join()
print(f"多线程耗时: {time.time() - start:.2f}秒")

运行结果会让你大跌眼镜：多线程版本可能比单线程还慢。这就是GIL的"功劳"。

我个人习惯是：先判断任务类型，再选方案。别一上来就无脑上多线程，那可能会让你怀疑人生。

嗯，这里要注意一点：GIL是CPython解释器的实现细节，不是Python语言本身的限制。像Jython、IronPython就没有GIL。不过咱们日常用的基本都是CPython，所以还是得正视它。

好了，这一章的内容就到这里。进程与线程的概念、并发与并行的区别、GIL的影响，这些都是后续章节的基础。下一章咱们会深入聊聊Python的threading模块，看看怎么在实际项目中用好它。