25并发&并行

并发（Concurrency）与并行（Parallelism）是计算机科学中描述 “多任务处理” 的两个核心概念，二者均涉及 “多个任务的推进”，但在**执行本质**、**依赖条件**和**适用场景**上存在根本区别。理解二者的差异，是设计高效多任务系统的基础。

## 并发（Concurrency）

**定义**：指在**同一时间段内**，多个任务通过 “交替执行” 的方式推进，宏观上表现为 “同时进行”，但微观上（某一时刻）可能只有一个任务在执行。

**本质**：通过 “任务切换” 模拟并行，解决 “多个任务需要被及时响应” 的问题，不依赖硬件多核，单核 CPU 即可实现。

**直观比喻**：一个厨师同时处理 “炒菜” 和 “煮汤”—— 先炒 30 秒菜，再去搅 30 秒汤，循环交替，宏观上两个任务同时在推进，但某一时刻厨师只在做一件事。

## 并行（Parallelism）

**定义**：指在**同一时刻**，多个任务在**不同的硬件核心**上**真正同时执行**，微观上（某一时刻）有多个任务在推进。

**本质**：依赖多核 CPU 或分布式硬件，通过 “资源并行分配” 实现真正的同时处理，提升计算效率。

**直观比喻**：两个厨师分别同时炒菜和煮汤，某一时刻两人各自在执行任务，不存在切换，是物理上的同时进行。

## 核心差异对比表

| 维度         | 并发（Concurrency）                      | 并行（Parallelism）                    |
| ------------ | ---------------------------------------- | -------------------------------------- |
| **微观执行** | 某一时刻只有一个任务执行（通过切换实现） | 某一时刻多个任务同时执行（多核并行）   |
| **硬件依赖** | 可在单核 CPU 上实现                      | 必须依赖多核 CPU 或多处理器            |
| **核心目标** | 提高任务响应效率（避免某一任务阻塞整体） | 提高计算吞吐量（同时处理更多任务）     |
| **实现关键** | 任务调度与上下文切换（如时间片轮转）     | 任务拆分与多核资源分配                 |
| **典型场景** | IO 密集型任务（如网络请求、文件读写）    | CPU 密集型任务（如数据计算、图像处理） |

## 适用场景

**并发的典型场景：IO 密集型任务**

IO 密集型任务的核心瓶颈是 “等待外部响应”（如网络传输、磁盘读写），而非 CPU 计算，此时并发可通过切换任务提高 CPU 利用率。

例 1：Web 服务器处理多用户请求

- 单个用户请求可能包含 “数据库查询”（IO 阻塞）、“文件读取”（IO 阻塞）等操作，若单线程处理，CPU 会因等待 IO 而空闲。
- 并发解决方案：用多线程 / 协程处理请求 —— 当一个请求等待 IO 时，切换到另一个就绪请求，让 CPU 始终忙碌（如 Nginx 的事件驱动模型）。

例 2：Python 多线程处理爬虫任务

- 爬虫的核心操作是 “发送网络请求”（IO 阻塞），此时线程会释放 GIL，其他线程可继续执行，通过并发提高爬取效率（尽管 GIL 限制了 CPU 并行，但不影响 IO 等待时的任务切换）。

**并行的典型场景：CPU 密集型任务**

CPU 密集型任务的核心瓶颈是 “计算速度”（如数学运算、数据建模），此时并行可通过多核同时计算提升效率。

例 1：科学计算中的数据分片处理

- 对 100 万条数据进行统计分析，可拆分为 10 个 10 万条的子任务，分配到 10 核 CPU 上并行计算，总耗时约为单核心的 1/10（理想情况）。

例 2：图像渲染

- 渲染一张高清图片时，可按区域拆分任务（如左上、右上、左下、右下），分配到 4 核 CPU 并行渲染，缩短总耗时。