在py中没有多线程，由于GIL锁的原因不管开多少线程只会使用CPU中的一个核心

引用自知乎

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。>
综上，Python多线程相当于单核多线程，多线程有两个好处：CPU并行，IO并行，单核多线程相当于自断一臂。所以，在Python中，可以使用多线程，但不要指望能有效利用多核。如果一定要通过多线程利用多核，那只能通过C扩展来实现，不过这样就失去了Python简单易用的特点。不过，也不用过于担心，Python虽然不能利用多线程实现多核任务，但可以通过多进程实现多核任务。多个Python进程有各自独立的GIL锁，互不影响。

multiprocessing模块提供了多进程操作，下面的例子演示了进程池的用法:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
from multiprocessing import Pool
import time

def f(x):
    return x*x

if __name__ == '__main__':
from multiprocessing import Pool
import time

def f(x):
  return x*x

if __name__ == '__main__':
with Pool(processes=4) as pool:     # start 4 worker processes
  result = pool.apply_async(f, (10,)) # evaluate "f(10)" asynchronously in a single process
  print(result.get(timeout=1))    # prints "100" unless your computer is *very* slow

  print(pool.map(f, range(10)))     # prints "[0, 1, 4,..., 81]"

  it = pool.imap(f, range(10))
  print(next(it))           # prints "0"
  print(next(it))           # prints "1"
  print(it.next(timeout=1))       # prints "4" unless your computer is *very* slow

  result = pool.apply_async(time.sleep, (10,))
  print(result.get(timeout=1))    # raises multiprocessing.TimeoutError