本文為 Python API 優化基礎 系列文，第 5 篇：
在開發應用程式時，我們經常會遇到兩種類型的運算瓶頸：
- CPU 運算（CPU-Bound）：程式的執行速度受限於 CPU 的計算能力，通常出現在數據運算、機器學習、影像處理等場景。
- I/O 操作（I/O-Bound）：程式的執行速度受限於 外部設備（如磁碟、網路、資料庫）的存取速度，常見於API 請求、檔案讀寫、資料庫查詢。
根據運算類型的不同，我們可以選擇適合的並行方式來提高效能：
- 對於 I/O 密集型（I/O-Bound）任務，適合使用多執行緒（Threading）。
- 對於 CPU 密集型（CPU-Bound）任務，適合使用多進程（Multiprocessing）。
CPU 運算 vs. I/O 操作
什麼是 CPU 運算（CPU-Bound）？
CPU 運算（CPU-Bound） 指的是程式的執行速度受限於 CPU 的運算能力，這類運算通常需要大量計算，而非等待外部設備的回應。例如：
- 機器學習與深度學習訓練
- 影像處理（如 Photoshop 濾鏡應用）
- 數學計算（如矩陣運算、大量迴圈）
- 數據分析與統計運算
📌 這類任務通常需要強大的 CPU，多執行緒無法有效提升效能，應該使用「多進程（Multiprocessing）」來充分利用多核心 CPU。
什麼是 I/O 操作（I/O-Bound）？
I/O 操作（I/O-Bound） 指的是程式的執行速度受限於外部設備（如網路、硬碟、資料庫）的存取速度，而非 CPU 計算能力。例如：
- 讀取或寫入檔案
- 發送 API 請求
- 存取資料庫
- 網頁爬蟲
📌 這類任務的瓶頸是「等待」，CPU 在等待 I/O 回應時大部分時間是閒置的，因此適合使用「多執行緒（Threading）」來同時執行多個 I/O 任務，提高處理效率。
執行緒（Thread） vs. 進程（Process）
執行緒（Thread）是什麼？
執行緒（Thread） 是程式執行的最小單位，一個程式（進程）可以擁有多個執行緒。
這些執行緒共享相同的記憶體空間，因此可以快速交換數據，適合用於I/O 密集型工作。
📝 主要特點
- 同一進程內的多個執行緒共享記憶體
- 建立與切換成本較低
- 受 Python GIL（Global Interpreter Lock）限制，只能同時運行一個 Python 指令
🔹 適用場景
- API 請求：同時向多個伺服器發送請求，提高數據抓取速度
- 檔案讀取：同時讀取多個日誌文件，進行數據分析
- 網路爬蟲：爬取多個網站，提高效率
進程（Process）是什麼？
進程（Process） 是程式執行的基本單位，每個進程擁有獨立的記憶體空間。不同於執行緒，進程之間不共享記憶體，因此適合CPU 密集型工作。
📝 主要特點
- 每個進程擁有獨立記憶體空間
- 適合 CPU 密集型工作，不受 GIL 限制
- 建立與切換成本較高
🔹 適用場景
- 機器學習模型訓練：使用多核心 CPU 訓練深度學習模型
- 影像處理：批量轉換圖片格式，應用濾鏡
- 大規模數據運算：對上億筆數據進行計算分析
ThreadPoolExecutor vs. ProcessPoolExecutor
Python 提供 ThreadPoolExecutor 和 ProcessPoolExecutor 來分別處理I/O 密集型和CPU 密集型任務。
| 功能 | ThreadPoolExecutor | ProcessPoolExecutor |
|---|---|---|
| 適用場景 | I/O 密集型（API 請求、爬蟲、檔案讀寫） | CPU 密集型（數據計算、影像處理） |
| 資源使用 | 多執行緒（共享記憶體） | 多進程（獨立記憶體） |
| 是否受 GIL 限制 | 是（Python GIL 只允許單執行緒運行 Python 指令） | 否（每個進程有獨立 Python 解釋器） |
| 開銷 | 低（執行緒切換快） | 高（需要額外的記憶體空間） |
Python 並行處理示例
使用 ThreadPoolExecutor 處理 I/O 任務
from concurrent.futures import ThreadPoolExecutor
import requests
URLS = ["https://jsonplaceholder.typicode.com/todos/1",
"https://jsonplaceholder.typicode.com/todos/2"]
def fetch_data(url):
response = requests.get(url)
return response.json()
with ThreadPoolExecutor(max_workers=2) as executor:
results = list(executor.map(fetch_data, URLS))
print(results) # 同時發送 API 請求
📌 適合等待網路回應的場景，如 API 請求或爬蟲。
使用 ProcessPoolExecutor 處理 CPU 計算
from concurrent.futures import ProcessPoolExecutor
def compute(n):
return sum(i**2 for i in range(n))
numbers = [10**6, 10**6, 10**6]
with ProcessPoolExecutor(max_workers=3) as executor:
results = list(executor.map(compute, numbers))
print(results) # 使用多核心 CPU 計算
📌 適合數據計算或影像處理，能真正利用多核心 CPU。
結論
✅ I/O 操作（I/O-Bound）受限於外部設備存取速度，適合用 ThreadPoolExecutor（多執行緒）。
✅ CPU 運算（CPU-Bound）受限於 CPU 計算能力，適合用 ProcessPoolExecutor（多進程）。
✅ Python GIL 限制多執行緒的效能，因此 CPU 密集型工作應使用多進程來提升效能。
🚀 選擇適合的並行處理方式，能顯著提升 Python 程式的執行效率！