Python并发核心是任务调度与资源隔离的协同，需厘清事件循环、GIL、协程状态机边界；I/O密集用多线程或asyncio（配aiohttp），CPU密集用multiprocessing，混合型任务应分层处理。
Python并发系统的核心在于理解“任务调度”与“资源隔离”的关系，而不是单纯堆砌async/await或threading代码。第55讲聚焦两个关键：一是理清事件循环、GIL、协程状态机三者的协作边界；二是用真实I/O密集型场景（如批量API调用+本地文件写入）验证不同并发模型的实际吞吐差异。
搞懂事件循环不是背概念，而是看它何时被阻塞
asyncio.run()启动的默认事件循环，本质是一个单线程上的任务轮询器。它不执行CPU密集型操作，只负责在IO就绪、定时器触发、任务await挂起/恢复时切换协程。常见误区是以为await requests.get()会把网络请求交给事件循环处理——其实requests是同步阻塞库，它会让整个事件循环卡住。必须换用aiohttp或httpx.AsyncClient。
- 用asyncio.create_task()显式提交协程，避免直接await导致串行
- 用asyncio.wait_for()包住可能超时的协程，防止某个请求拖垮整体
- 调试时加asyncio.current_task().get_name()打印当前执行上下文，定位卡点
GIL对多线程的影响，只在CPU密集时才真正显现
threading.Thread跑requests.get()或json.loads()，GIL确实存在，但影响微乎其微——因为这些操作大部分时间在等系统调用返回，GIL会被主动释放。真正被GIL锁死的是纯Python循环（如for i in range(10**7): x += i）。此时multiprocessing.Process才能绕过限制。
- I/O密集型任务（HTTP、数据库、文件读写）：多线程足够，开销小、共享内存方便
- CPU密集型任务（图像处理、数值计算）：优先用multiprocessing，或改用numba/cython释放GIL
- 混合型任务（边请求边解析JSON）：用线程池处理I/O，再把解析逻辑丢给进程池
实战案例：高并发爬虫+去重+结构化存储
目标：并发抓取100个网页，提取标题和正文长度，去重后存入SQLite。要求总耗时
立即学习“Python免费学习笔记（深入）”；
- 用aiohttp.ClientSession控制连接复用，设置limit=20防目标站拒绝
- 响应体用await resp.text()而非resp.json()，避免自动解析失败中断
- 去重用asyncio.Lock保护全局set，或更优：用aiosqlite异步写入+唯一索引约束
- 最后用asyncio.gather(*tasks, return_exceptions=True)收集全部结果，统一处理异常
不复杂但容易忽略：并发数不是越多越好，要匹配目标服务的承受力和本机文件描述符上限。先从10起步，用time.time()打点观察TPS曲线，再逐步调优。
