Python多线程的一些理解：
1.多线程采用的是分时复用技术，即不存在真正的多线程，cpu做的事是快速地切换线程，以达到类似同步运行的目的（对于多核CPU可实现真正的多线程）；
2.多线程对于计算密集型程序没有用，因为计算计算密集型程序没有等待，是连续计算的，但对I/O密集型程序（延迟IO，网络等）有用，因为这类程序有等待，等待时就可以切换其他线程，避免浪费时间。
3.原子操作：最小的操作步骤，这件事情是不可再分的，如变量的赋值，不可能一个线程在赋值，到一半切到另外一个线程工作去了……但是一些数据结构的操作，如栈的push什么的，并非是原子操作，比如要经过栈顶指针上移、赋值、计数器加1等等，在其中的任何一步中断，切换到另一线程再操作这个栈时，就会产生严重的问题，因此要使用锁来避免这样的情况。比如加锁后的push操作就可以认为是原子的了……
4.阻塞：所谓阻塞，就是只执行某些线程，而让其他线程等待，等待的线程就是被阻塞的线程，一直到这些线程执行结束。最简单的例子就是某一线程在原子操作下，则其它线程都是阻塞状态，这是微观的情况。对于宏观的情况，比如服务器等待用户连接，如果始终没有连接，那么这个线程就在阻塞状态。同理，最简单的input语句，在等待输入时也是阻塞状态。
5.在创建线程后，如果只执行t.start()，则这个线程t是非阻塞的，即主线程会继续执行其他的指令，相当于主线程和子线程都并行地执行。t.start()后，若启动t.join()，则t就是阻塞的，即只有当t结束后才执行其他指令。
#该段函数是后面所有函数的公共部分，定义了猫和狗的叫声
import threading, time
def cat(num): #猫叫
print('cat_start:' + time.strftime('%H:%M:%S'))
for i in range(num):
print(" cat:喵 "+ time.strftime('%H:%M:%S'))
time.sleep(1)
print('cat_stop:' + time.strftime('%H:%M:%S'))
def dog(num): #狗叫
print('dog_start:' + time.strftime('%H:%M:%S'))
for i in range(num):
print(" dog:汪 "+ time.strftime('%H:%M:%S'))
time.sleep(1)
print('dog_stop:' + time.strftime('%H:%M:%S'))
上面程序定义了猫和狗的叫声。
#case 1
if __name__ == "__main__":
cat(3)
dog(3)
print('print:'+ time.strftime('%H:%M:%S'))
输出：
cat_start:14:17:34
cat:喵 14:17:34
cat:喵 14:17:35
cat:喵 14:17:36
cat_stop:14:17:37
dog_start:14:17:37
dog:汪 14:17:37
dog:汪 14:17:38
dog:汪 14:17:39
dog_stop:14:17:40
Over:14:17:40
上述程序按常规方法执行猫和狗的叫声，根据时间可以看出，完全是顺序执行的，即先猫叫，再狗叫，最后是print()。总时间为：16s
#case 2
if __name__ == "__main__":
thread1 = threading.Thread(target = cat,args=(3,)) #让第一个线程执行“猫叫”
thread1.start() #启动猫叫线程
thread2 = threading.Thread(target = dog,args=(3,)) #让第二个线程执行“狗叫”
thread2.start() #启动狗叫线程
print('over:'+ time.strftime('%H:%M:%S'))
输出：
cat_start:14:26:22
cat:喵 14:26:22
dog_start:14:26:22
dog:汪 14:26:22
over:14:26:22
cat:喵 14:26:23
dog:汪 14:26:23
cat:喵 14:26:24
dog:汪 14:26:24
cat_stop:14:26:25
dog_stop:14:26:25
上述程序利用“多线程”的方式执行程序，从结果可以看出，猫、狗、print()三者在14:26:22时刻几乎同时启动，即几乎是并行执行，总耗时只要：3s，相比于前面的常规方法，节省了大量时间。
注意：
(1) x.start()是必须的，否则线程不会启动。
(2) 虽然从代码位置而言，thread1、thread2、print()有前后顺序，但实际上几乎是同时执行的，这说明，在无指定的情况下，代码位置不会影响多线程之间的执行先后顺序。
(3) 这里我们显式指定了线程专门用来执行猫和狗的叫，但显然print()函数也是同时刻就启动的，这说明print()函数也是由一个独立的线程来执行的。实际上启动python后自动启动一个主线程，其他线程都在该主线程的基础上执行，当关闭python后自动退出主线程，并杀死子线程（如前面的猫、狗、print()）（该句话还有待考证）。
(4)上述几个多线程的执行时间我们按秒为单位输出，结果三者相同，但如果把时间单位再细化，其实这三者并非真正在相同时刻启动，这是因为多线程并非真正意义上的并行，只是多个线程在短时间内的相互切换，减少等待时间。
#case 3
if __name__ == "__main__":
threads = [] #线程列表
thread1 = threading.Thread(target = cat,args=(3,))
threads.append(thread1) #将第一个线程放入线程列表
thread2 = threading.Thread(target = dog,args=(3,))
threads.append(thread2) #将第二个线程放入线程列表
for i in threads: #一起启动所有线程
i.start()
print('over:'+ time.strftime('%H:%M:%S'))
输出：
cat_start:14:54:40
cat:喵 14:54:40
dog_start:14:54:40
dog:汪 14:54:40
over:14:54:40
cat:喵 14:54:41
dog:汪 14:54:41
cat:喵 14:54:42
dog:汪 14:54:42
cat_stop:14:54:43
dog_stop:14:54:43
上述程序将产生的多线程加入线程列表threads = []，并用for循环一起启动。当有很多线程需要启动时，这种方式是高效的，避免为每个线程写x.start()语句。从结果可以看出，虽然我们自定义的线程（猫叫，狗叫）在list中有先后顺序，但各个线程依然是同时执行的。而且，在for循环之外的print()也与猫和狗同时执行，原因前面已经提及，在主线程中子线程猫、狗、print()有完全相同的地位。
线程的join()方法
作用：使主程序进入阻塞状态（等待状态），一直等启动join()方法的子线程执行结束之后，再执行其他线程。如t.start()，t.join()则，线程t将优先执行，其他线程被阻塞，直到t执行结束，阻塞自动取消。
python中不仅线程有join()方法，其他很多模块都有join()方法（如进程、queue等），其基本作用都是用于阻塞其他程序执行，保证本程序优先执行。
join()不带时间参数
#case 4
if __name__ == "__main__":
thread1 = threading.Thread(target = cat,args=(3,))
thread1.start()
thread1.join() #线程1启动了join()方法
thread2 = threading.Thread(target = dog,args=(3,))
thread2.start()
thread2.join() #线程2也启动了join()方法
print('over:'+ time.strftime('%H:%M:%S'))
输出：
cat_start:15:44:04
cat:喵 15:44:04
cat:喵 15:44:05
cat:喵 15:44:06
cat_stop:15:44:07
dog_start:15:44:07
dog:汪 15:44:07
dog:汪 15:44:08
dog:汪 15:44:09
dog_stop:15:44:10
over:15:44:10
上述程序两个线程先后启动了join方法，从输出结果可以看出，跟case1完全相同，变成了顺序执行，没有起到多线程的作用，因为thread1启动后，立即执行thread1.join()，使得其他线程立即进入阻塞状态，直到thread1执行结束后再取消阻塞，后面的thread2也相同。继续看下例。
#case 5
if __name__ == "__main__":
thread1 = threading.Thread(target = cat,args=(3,))
thread1.start()
thread1.join()
thread2 = threading.Thread(target = dog,args=(3,))
thread2.start()
#thread2.join()
print('over:'+ time.strftime('%H:%M:%S'))
输出：
cat_start:15:47:12
cat:喵 15:47:12
cat:喵 15:47:13
cat:喵 15:47:14
cat_stop:15:47:15
dog_start:15:47:15
dog:汪 15:47:15
over:15:47:15
dog:汪 15:47:16
dog:汪 15:47:17
dog_stop:15:47:18
上述程序只有线程1启动了join()方法，而且在狗和print()都start()之前，因此先执行“猫”叫，猫叫全部结束后才启动“狗”和print()。注意因为线程2（狗）并没有启用join()，因此狗和print()是同时启动的。
#case 6
if __name__ == "__main__":
thread1 = threading.Thread(target = cat,args=(3,))
thread1.start()
#thread1.join()
thread2 = threading.Thread(target = dog,args=(3,))
thread2.start()
thread2.join()
print('over:'+ time.strftime('%H:%M:%S'))
输出：
cat_start:15:58:07
cat:喵 15:58:07
dog_start:15:58:07
dog:汪 15:58:07
cat:喵 15:58:08
dog:汪 15:58:08
cat:喵 15:58:09
dog:汪 15:58:09
cat:喵 15:58:10
dog_stop:15:58:10
over:15:58:10
cat:喵 15:58:11
cat_stop:15:58:12
上例中猫叫改成了5声，同时只启动了线程2的join()方法，但该方法在线程1和线程2都start()之后，因此猫和狗是同时叫的，而print()位于线程2的join()之后，因此要等狗叫完了才能执行print()。但注意到狗只要叫3声，而猫得叫5声，因此狗叫完了之后就没狗啥事了，于是就立即启动print()输出，而print()只需极短的时间就能完成，此时猫还没叫完，于是如上述结果，猫停止叫声在最后。
#case 7
if __name__ == "__main__":
threads = [] #线程列表
thread1 = threading.Thread(target = cat,args=(3,))
thread1.start() #启动第一个线程
threads.append(thread1) #将第一个线程放入线程列表
thread2 = threading.Thread(target = dog,args=(3,))
thread2.start() #启动第二个线程
threads.append(thread2) #将第二个线程放入线程列表
for i in threads: #一起启动所有join()方法
i.join()
print('over:'+ time.strftime('%H:%M:%S'))
输出：
cat_start:16:35:38
cat:喵 16:35:38
dog_start:16:35:38
dog:汪 16:35:38
cat:喵 16:35:39
dog:汪 16:35:39
cat:喵 16:35:40
dog:汪 16:35:40
cat_stop:16:35:41
dog_stop:16:35:41
over:16:35:41
上述程序先将所有线程先加入线程列表，再一起执行join()函数，而print()位于最后。从结果可以看出，猫和狗确实是同时叫的（在join()之间，猫和狗都start()了），都叫完之后才执行print()，因为有i.join()的存在。注意上述程序的两个start()虽然在代码位置上有先后，但实际上几乎是同时执行的，前面已经说明。当自定义线程很多时，通常用for形式统一启动，因此，多线程通常会写成以下一般形式：
#case 8
#★★
if __name__ == "__main__":
threads = []
thread1 = threading.Thread(target = cat,args=(3,))
threads.append(thread1) #将线程1加入线程列表
thread2 = threading.Thread(target = dog,args=(3,))
threads.append(thread2) #将线程2加入线程列表
for i in threads: #先并行启动所有线程
i.start()
for i in threads: #确保所有这些线程都执行完，再执行后面程序
i.join()
print('over:'+ time.strftime('%H:%M:%S')) #最后再执行print()
输出：
cat_start:16:41:37
cat:喵 16:41:37
dog_start:16:41:37
dog:汪 16:41:37
cat:喵 16:41:38
dog:汪 16:41:38
cat:喵 16:41:39
dog:汪 16:41:39
cat_stop:16:41:40
dog_stop:16:41:40
over:16:41:40
★★上述程序首先将自定义的线程加入线程列表，然后用一个for循环启动每个线程（特别注意：虽然是循环执行，但是所有线程几乎是并行启动执行的，而非顺序执行）；再用一个for循环为每个线程启用join()方法，保证所有线程都执行完后再执行这些线程之外的其他步骤。注意这两个for循环不能写在一起，否则就成了顺序执行，使用多线程将变得无意义。但这不是说多线程一定比单线程运行时间要快，因为有GiL的存在，具体见相关文章！
join(timeout=)带时间参数
#case 9
if __name__ == "__main__":
thread1 = threading.Thread(target = cat,args=(3,))
thread1.start()
thread1.join(0.2)
thread2 = threading.Thread(target = dog,args=(3,))
thread2.start()
print('over:'+ time.strftime('%H:%M:%S')) #最后再执行print()
输出：
cat_start:17:09:56
cat:喵 17:09:56
dog_start:17:09:56
dog:汪 17:09:56
over:17:09:56
cat:喵 17:09:57
dog:汪 17:09:57
cat:喵 17:09:58
dog:汪 17:09:58
cat_stop:17:09:59
dog_stop:17:09:59
上述程序中，线程1的join()方法启动，如果不带参数，则先等猫叫完了再执行狗和print()，但此处带了时间参数timeout=0.2秒，即线程1启动0.2s之后即可执行其他程序），因此输出结果也是猫、狗、print()同时的。如果将0.2换成6，则先执行猫，再同时执行狗和print()。需要注意的是，某线程的执行时间run_time和timeout是两个概念，如果run_time>timeout，即某线程的运行时间大于阻塞时间，则timeout时间后该线程继续执行，同时启动其他线程并行执行；如果run_time
线程的setDaemon()方法
作用：使对应线程在主线程结束后强制结束，不管该线程处于什么状态。
注意：python程序执行结束并不表示主线程结束，要关闭python才真正结束主线程。
python 多线程为什么有时候比顺序执行还慢？
来源：https://blog.csdn.net/qq_39338671/article/details/87457812
写出了正确的多线程代码，运行速度反而比单线程慢很多，原来是由于GIL（Global Interpreter Lock）！
GIL 是Cpython(Python语言的主流解释器)特有的全局解释器锁（其他解释器因为有自己的线程调度机制，所以没有GIL机制），GIL锁定Python线程中的CPU执行资源。线程在执行代码时，必须先获得这把锁，才获得CPU执行代码指令。如果这把锁被其他线程占用，该线程就只能等待，等到占有该锁的线程释放锁。
在Cpython解释器中，线程要想执行CPU指令需要2个条件：
1）被操作系统调度出来（操作系统允许它占用CPU）
2）获取到GIL（Cpython解释器允许它执行指令）
如果写出正确的多线程代码，执行的情况就是会有线程满足条件1不满足条件2，这时只能等待。在单核CPU机器上，多线程与单线程在本质上并无不同，因为所有线程都是轮流占用CPU。多个线程慢于一个线程，因为其他线程还要先调度出来，再等待。在多核CPU机器上，多线程代码运行性能会非常糟糕，比单核更糟糕。因为这时候多一个步骤，不同的CPU再竞争GIL，GIL只有一个。Python在多核CPU上的多核CPU也只有单线程在跑程序。
我们用的主流python叫cpython，在同一时刻，多个线程运行是相互抢占资源允许的，cpython无法把线程分配到多个CPU运行，就造成了计算密集型无法使用多个CPU 同时运行。这是由于cpython在运行的时候就加了一把锁(GIL)，这是一个历史问题。说白了python是没有多线程，因为同一时刻只能运行一个线程(多个线程分配到多个CPU运行，才是真正意义上面多线程,python无法做到。
如何绕开GIL？
1）使用多进程（多进程之间没有GIL限制）
2）使用Jython, IronPython等无GIL的解释器
3）使用协程（高效的单线程模式）
GIL的设置有其优点和可取之处，在Cpython解释器框架之下难以绕过这一限制。可以用PyPy解释器，麻烦之处在于很多第三方库在PyPy下无法使用，或者重新安装第三方库的PyPy版本。运行时候，PyPy **.py即可。Cpython下是Python **.py。
什么时候用多线程？
I/O密集型程序
I/O的多线程还是快于单线程，因为优先级在获取GIL之上，I/O并行运算的时候，GIL处于release状态。
爬虫大部分时间在网络交互上，所以可以使用多线程来编写爬虫。
使用多线程的缺点就是要注意死锁的问题、阻塞的问题、以及需要注意多线程之间通信的问题，避免多个线程执行同一个任务。
Python多线程主要是为了提高程序在IO方面的优势，在爬虫的过程中显得尤为重要。
CPU密集型 vs IO密集型
我们可以把任务分为计算密集型和IO密集型。
计算密集型任务的特点是要进行大量的计算，消耗CPU资源，比如计算圆周率、对视频进行高清解码等等，全靠CPU的运算能力。这种计算密集型任务虽然也可以用多任务完成，但是任务越多，花在任务切换的时间就越多，CPU执行任务的效率就越低，所以，要最高效地利用CPU，计算密集型任务同时进行的数量应当等于CPU的核心数。
计算密集型任务由于主要消耗CPU资源，因此，代码运行效率至关重要。Python这样的脚本语言运行效率很低，完全不适合计算密集型任务。对于计算密集型任务，最好用C语言编写。
第二种任务的类型是IO密集型，涉及到网络、磁盘IO的任务都是IO密集型任务，这类任务的特点是CPU消耗很少，任务的大部分时间都在等待IO操作完成（因为IO的速度远远低于CPU和内存的速度）。对于IO密集型任务，任务越多，CPU效率越高，但也有一个限度。常见的大部分任务都是IO密集型任务，比如Web应用。
IO密集型任务执行期间，99%的时间都花在IO上，花在CPU上的时间很少，因此，用运行速度极快的C语言替换用Python这样运行速度极低的脚本语言，完全无法提升运行效率。对于IO密集型任务，最合适的语言就是开发效率最高（代码量最少）的语言，脚本语言是首选，C语言最差。
总之，计算密集型程序适合C语言多线程，I/O密集型适合脚本语言开发的多线程。
注意：程序中如果有使CPU等待的操作，如python中的time.sleep()，则该程序也是I/O密集型程序。
计算密集型程序实例：
#计算密集型程序，采用单线程执行
from threading import Thread
import time
def my_counter(): #主程序为计算密集型，只有i +=1一个计算步骤，只需用CPU即可
i = 0
for _ in range(100000000):
i += 1
#time.sleep(0.0001)
def main():
start_time = time.time()
#单线程执行
for _ in range(2):
t = Thread(target=my_counter)
t.start()
t.join() #start()后直接join()，是确保当前线程先执行结束，相当于单线程
end_time = time.time()
print("Total time: {}".format(end_time - start_time))
if __name__ == '__main__':
main()
输出：
Total time: 10.542109727859497
#计算密集型程序，采用多线程执行
from threading import Thread
import time
def my_counter(): #主程序为计算密集型，只有i +=1一个计算步骤，只需用CPU即可
i = 0
for _ in range(100000000):
i += 1
#time.sleep(0.0001)
def main():
start_time = time.time()
#多线程执行
threads = []
for _ in range(2):
t = Thread(target=my_counter)
t.start()
threads.append(t)
for i in threads: #对所有线程统一执行join()，是多线程
i.join()
end_time = time.time()
print("Total time: {}".format(end_time - start_time))
if __name__ == '__main__':
main()
输出：
Total time: 11.222445964813232
上述两个程序的主程序都是“计算密集”的（因为my_counter()内只有计算步骤i += 1。前一个程序用两个线程“串行”地执行两次my_counter()（因为start()后直接启用对应线程的join()方法），即相当于for里面顺序地调用了两次my_counter()，也就是“单线程”，总耗时为10.542s；后一个程序与前一个程序除了采用“多线程”方式执行2次my_counter()（因为start()后没有直接启用join()方法，而是后面统一在for内部对所有线程启动join()）外，其他与第一个程序完全相同，总耗时为11.222s。可见，对于计算密集型程序，python的多线程比单线程反而耗时多更，这种情况下不适合用多线程。
I/O密集型程序实例：
在前述计算密集型程序的基础上，启用my_counter()函数内的time.sleep(0.0001)函数，则程序就从计算密集型程序转变成了I/O密集型程序，同时将循环参数由100000000改为10000（不然计算时间太长），则单线程（第一个程序）的总耗时为38.314s，多线程（第二个程序）的总耗时为19.287s。可见对于I/O密集型程序，python多线程确实能节省时间。
参考网址：https://blog.csdn.net/myhao846707/article/details/26576271