Python多线程内存共享方式包括：1. 全局变量配合Lock确保线程安全，适用于简单数据共享；2. queue.Queue实现线程安全通信，适合生产者-消费者模型；3. threading.local为线程提供独立数据副本，避免状态冲突；4. multiprocessing.shared_memory（Python 3.8+）共享大块二进制数据如NumPy数组，需手动同步。应根据场景选择合适机制并处理线程安全。

Python多线程中，由于全局解释器锁（GIL）的存在，虽然多线程在CPU密集型任务中无法真正并行执行，但在IO密集型场景下仍具有实用价值。而在线程之间共享数据是常见需求。以下是几种常用的内存共享方式及其使用场景和注意事项。

1. 共享全局变量

最直接的共享方式是使用模块级的全局变量。所有线程都可以读写同一个变量，但由于Python对象的可变性不同，需注意线程安全。

说明： - 对于不可变类型（如int、str），直接赋值会创建新对象，其他线程不可见。 - 可变类型（如list、dict）可以在原地修改，多个线程看到的是同一对象。

建议：

• 使用 threading.Lock 保护共享资源，避免竞态条件。
• 示例：

  import threading
  

data = [] lock = threading.Lock()

def add_item(value): with lock: data.append(value)

t1 = threading.Thread(target=add_item, args=(1,)) t2 = threading.Thread(target=add_item, args=(2,)) t1.start(); t2.start() t1.join(); t2.join()

2. 使用 queue.Queue 实现线程间通信

queue.Queue 是线程安全的队列实现，适合生产者-消费者模型。

优点： - 内置锁机制，无需手动加锁。 - 支持阻塞操作（put/get 可设置超时）。 - 可控制缓冲区大小，防止内存溢出。

使用示例：

import queue
import threading
q = queue.Queue(maxsize=5)
def producer():
for i in range(5):
q.put(i)  # 自动阻塞当队列满
print(f"Produced {i}")
def consumer():
while True:
item = q.get()
if item is None:
break
print(f"Consumed {item}")
q.task_done()

3. 使用 threading.local 创建线程局部存储

虽然这不是“共享”，但用于避免共享冲突的一种策略：为每个线程提供独立的数据副本。

适用场景： - 需要每个线程有独立状态（如数据库连接、用户上下文）。 - 防止变量污染。

示例：

import threading
local_data = threading.local()
def process(name):
local_data.name = name
print(f"Hello {local_data.name}")
t1 = threading.Thread(target=process, args=("Alice",))
t2 = threading.Thread(target=process, args=("Bob",))

4. 使用 multiprocessing.shared_memory（限Python 3.8+）

虽然名字叫 multiprocessing，但从Python 3.8起，shared_memory 模块也可被线程使用，尤其适合共享大块二进制数据（如NumPy数组）。

特点： - 共享真实内存区域，节省复制开销。 - 需手动管理生命周期（创建/释放）。 - 线程间访问仍需同步机制。

示例（共享NumPy数组）：

from multiprocessing import shared_memory
import numpy as np
import threading
创建共享内存
a = np.array([1, 2, 3, 4])
shm = shared_memory.SharedMemory(create=True, size=a.nbytes)
buf = np.ndarray(a.shape, dtype=a.dtype, buffer=shm.buf)
buf[:] = a[:]
def modify_array(offset):
buf[offset] += 10
t1 = threading.Thread(target=modify_array, args=(0,))
t2 = threading.Thread(target=modify_array, args=(1,))
t1.start(); t2.start()
t1.join(); t2.join()
print(buf)  # 查看结果
shm.close()   # 使用完释放
shm.unlink()  # 删除共享内存

基本上就这些常见的Python多线程内存共享方案。根据实际需求选择：简单共享用全局变量加锁，通信用Queue，隔离状态用threading.local，大数据用shared_memory。关键是处理好线程安全问题。