这是一个非常核心的面试题。以下是清晰、结构化的回答要点：
1. 为什么Python多线程不能利用多核？
核心原因：因为 CPython解释器的全局解释器锁 限制了在同一时间，只有一个线程可以执行Python字节码。
机制：GIL本质上是一个互斥锁，保护着Python对象，防止多个线程同时执行Python字节码。这是因为CPython的内存管理（主要是引用计数）不是线程安全的。GIL保证了引用计数的操作是原子的，避免了内存泄漏或数据损坏。
结果：即使在多核CPU上，一个Python进程内的多个线程也无法并行执行（即无法同时利用多个CPU核心执行计算任务），而只能并发执行（通过GIL的快速切换，在单核上交替执行）。
2. GIL对I/O密集和CPU密集任务的影响
I/O密集型任务：影响较小，甚至能受益。
原因：线程在执行I/O操作（如网络请求、文件读写、数据库查询）时会阻塞并自动释放GIL，让其他线程获得执行机会。这允许多个线程在等待I/O时交替执行，有效利用CPU空闲时间，提高整体吞吐量。
CPU密集型任务：影响巨大，导致性能下降。
原因：线程需要持续执行计算，不会频繁释放GIL。GIL会在执行固定数量的字节码指令或达到时间片后强制切换。这种切换带来了额外的开销，并且由于线程不能真正并行，在多核CPU上运行多线程CPU密集型任务的速度可能比单线程还慢（因为增加了切换开销）。
3. 如何绕过GIL？
主要有以下三种策略：
使用多进程（multiprocessing 模块） - 最常用、最有效
原理：每个进程有自己独立的Python解释器和内存空间，因此也有自己独立的GIL。多个进程可以真正并行运行在多个CPU核心上。
优点：彻底绕过GIL，能充分利用多核。代码修改相对较小（接口与threading类似）。
缺点：进程间通信（IPC）成本高（需使用队列、管道等），内存占用更大（每个进程一份数据副本）。
使用C扩展 - 高性能场景
原理：在C/C++扩展中，可以手动释放GIL。将计算密集的核心部分用C/C++实现，并在其中释放GIL，允许其他Python线程同时运行。之后在C代码中重新获取GIL。
优点：能实现细粒度的并行控制，性能极高。NumPy、SciPy等科学计算库就大量使用了此技术。
缺点：开发难度大，需要熟悉Python C API，且易引发复杂的内存和线程安全问题。
使用其他Python解释器
Jython（基于JVM） 和 IronPython（基于.NET）：没有GIL，可以直接利用JVM或CLR的成熟线程模型实现真正的多线程并行。
缺点：生态兼容性差，很多依赖C扩展的库（如NumPy）无法使用，不适用于生产环境。
补充说明：
协程（asyncio）：虽然不能绕过GIL，但它是I/O密集型高并发场景的最佳解决方案。它在单线程内通过事件循环管理多个协程，在I/O等待时进行切换，没有线程切换的开销，并发效率极高。它与GIL不冲突，是解决不同类型问题的工具。
面试回答技巧：
你可以用一个比喻来总结：
“GIL就像一个房间（Python进程）的总钥匙，一次只允许一个人（线程）进去办公。对于需要不停讨论（I/O等待）的工作，大家可以在门口快速交接钥匙，效率不错。但对于需要长时间伏案计算（CPU计算）的工作，钥匙交接就成了纯开销，人多了反而更慢。
解决方案是：要么多建几个房间（多进程），要么允许在房间的‘里间’（C扩展）干活时不锁门，要么干脆换一个不只有一把钥匙的办公楼（其他解释器）。”
