Concurrent_Programming.md

Python 提供多種方式實現並行（concurrent）與平行（parallel）運算，常見方法包括：

• threading：多執行緒，適合 I/O 密集型任務

• multiprocessing：多行程，適合 CPU 密集型任務

• asyncio：非同步協程，適合高延遲 I/O 操作

• nest_asyncio：允許在 Jupyter Notebook 或已啟動的 event loop 中重入 asyncio

---

一、threading：多執行緒

import threading
import time

def worker(name):
    print(f"{name} 開始")
    time.sleep(2)
    print(f"{name} 結束")

thread1 = threading.Thread(target=worker, args=("執行緒 1",))
thread2 = threading.Thread(target=worker, args=("執行緒 2",))

thread1.start()
thread2.start()
thread1.join()
thread2.join()

適合用於：等待網路、磁碟 I/O，Web 爬蟲等場景。

---

二、multiprocessing：多行程

from multiprocessing import Process

def worker():
    print("處理中...")

if __name__ == '__main__':
    p = Process(target=worker)
    p.start()
    p.join()

適合用於：圖像轉換、數值計算、深度學習訓練等高 CPU 任務。

---

三、asyncio：非同步協程

import asyncio

async def say_hello():
    print("Hello")
    await asyncio.sleep(1)
    print("World")

asyncio.run(say_hello())

適合用於：API 串接、大量非同步網路請求、WebSocket 等。

---

四、nest_asyncio：允許在 Notebook 中使用 asyncio

import nest_asyncio
import asyncio

nest_asyncio.apply()  # 解決 event loop 已啟動錯誤

async def demo():
    await asyncio.sleep(1)
    print("協程執行完畢")

await demo()

適合用於：Jupyter Notebook、REPL 中測試 async 程式。

---

五、比較表

方法	適用情境	並行模式	特性
threading	I/O 密集	並行	較簡易，受 GIL 限制
multiprocessing	CPU 密集	平行	可多核運算，避免 GIL
asyncio	非同步 I/O	協程	單執行緒高效佇列調度
nest_asyncio	Notebook 裡測試用	協程	解決 event loop 限制

---

善用這些並行/非同步工具可提升 Python 程式效能，選擇合適的模式與場景搭配能有效處理高效能或高併發任務。