CPU-bound(計算密集型) 和I/O bound(I/O密集型)

計算密集型任務(CPU-bound) 的特點是要進行大量的計算，佔據著主要的任務，消耗CPU資源，一直處於滿負荷狀態。比如複雜的加減乘除、計算圓周率、對視訊進行高清解碼等等，全靠CPU的運算能力。這種計算密集型任務雖然也可以用多工完成，但是任務越多，花在任務切換的時間就越多，CPU執行任務的效率就越低，所以，要最高效地利用CPU，計算密集型任務同時進行的數量應當等於CPU的核心數。

計算密集型任務由於主要消耗CPU資源，因此，程式碼執行效率至關重要。Python這樣的指令碼語言執行效率很低，完全不適合計算密集型任務。對於計算密集型任務，最好用C語言編寫。

IO密集型任務(I/O bound)的特點是指磁碟IO、網路IO佔主要的任務，CPU消耗很少，任務的大部分時間都在等待IO操作完成（因為IO的速度遠遠低於CPU和記憶體的速度）。

IO密集型任務執行期間，99%的時間都花在IO上，花在CPU上的時間很少，因此，用執行速度極快的C語言替換用Python這樣執行速度極低的指令碼語言，完全無法提升執行效率。

對於IO密集型任務，任務越多，CPU效率越高，但也有一個限度。常見的大部分任務都是IO密集型任務，比如請求網頁、讀寫檔案等。當然我們在Python中可以利用sleep達到IO密集型任務的目的。

對於IO密集型任務，最合適的語言就是開發效率最高（程式碼量最少）的語言，指令碼語言是首選，C語言最差。

全域性鎖問題：

直譯器被一個全域性直譯器鎖保護著，它確保任何時候都只有一個Python執行緒執行。

GIL最大的問題就是Python的多執行緒程式並不能利用多核CPU的優勢 （比如一個使用了多個執行緒的計算密集型程式只會在一個單CPU上面執行）。

GIL只會影響到那些嚴重依賴CPU的程式（比如計算型的）

如果你的程式大部分只會設計到I/O，比如網路互動，那麼使用多執行緒就很合適， 因為它們大部分時間都在等待。實際上，你完全可以放心的建立幾千個Python執行緒， 現代作業系統執行這麼多執行緒沒有任何壓力，沒啥可擔心的。

解決方案：

首先，如果你完全工作於Python環境中，你可以使用 multiprocessing 模組來建立一個程序池， 並像協同處理器一樣的使用它。

pool = None

# Performs a large calculation (CPU bound)
def some_work(args):
    ...
    return result

def some_thread():
    while True:
        ...
        r = pool.apply(some_work, (args))
        ...

# Initiaze the pool
if __name__ == '__main__':
    import multiprocessing
    pool = multiprocessing.Pool()

另外一個解決GIL的策略是使用C擴充套件程式設計技術。 主要思想是將計算密集型任務轉移給C，跟Python獨立，在工作的時候在C程式碼中釋放GIL。