在Python开发中，任务类型的区分是性能优化的基础，I/O密集和CPU密集是两类最常见的任务类型，二者的资源消耗特征完全不同，对应的优化方案也有很大差异。
I/O密集与CPU密集的核心差异
I/O密集任务的核心特征是任务执行过程中大部分时间在等待I/O操作完成，CPU的占用率很低。常见的I/O操作包括文件读写、网络请求、数据库查询、用户输入等待等，这些操作的耗时主要来自外部设备的响应速度，而非CPU的计算能力。
CPU密集任务则相反，任务执行过程中需要持续占用CPU进行逻辑运算、数据处理等操作，CPU占用率会长期处于较高水平。常见的场景包括复杂的数学计算、大数据量的排序过滤、图像视频的编解码、加密解密运算等。
常见场景举例
I/O密集任务典型场景
- 批量下载网络文件，程序大部分时间在等待服务器返回数据
- 读取本地大目录下的所有文件内容，耗时主要在磁盘读写
- 调用第三方API接口获取数据，等待接口响应占主要时间
- 操作数据库执行查询语句，等待数据库返回结果集
CPU密集任务典型场景
- 计算斐波那契数列的第1000项数值
- 对100万条数据进行复杂的规则过滤和统计
- 使用OpenCV对视频逐帧进行人脸检测处理
- 执行大文件的压缩解压运算
如何判断任务类型
可以通过两个简单的方法判断任务属于哪种类型：
资源监控法
运行任务时打开系统资源监控工具，如果CPU占用率长期低于30%，而程序还在正常运行，大概率是I/O密集任务；如果CPU占用率长期高于70%，甚至接近100%，则属于CPU密集任务。
代码验证法
可以编写简单的测试代码，通过添加休眠模拟I/O等待，对比不同场景下的执行效率差异。
首先看I/O密集任务的模拟示例，这里用time.sleep()模拟I/O等待：
import time
import threading
def io_task():
# 模拟I/O等待，比如网络请求、文件读写
print(f"任务开始，线程：{threading.current_thread().name}")
time.sleep(2) # 模拟2秒的I/O等待
print(f"任务结束，线程：{threading.current_thread().name}")
if __name__ == "__main__":
start = time.time()
# 创建5个线程执行I/O密集任务
threads = []
for i in range(5):
t = threading.Thread(target=io_task)
threads.append(t)
t.start()
for t in threads:
t.join()
print(f"总耗时：{time.time() - start:.2f}秒")
上述代码执行后，总耗时大约在2秒左右，因为多线程可以在一个线程等待I/O时切换到其他线程执行，适合I/O密集任务。
再看CPU密集任务的模拟示例，用循环计算模拟CPU运算：
import time
import threading
def cpu_task():
# 模拟CPU密集计算
print(f"任务开始，线程：{threading.current_thread().name}")
count = 0
for i in range(10**8):
count += i
print(f"任务结束，线程：{threading.current_thread().name}")
if __name__ == "__main__":
start = time.time()
# 创建5个线程执行CPU密集任务
threads = []
for i in range(5):
t = threading.Thread(target=cpu_task)
threads.append(t)
t.start()
for t in threads:
t.join()
print(f"总耗时：{time.time() - start:.2f}秒")
由于Python的GIL限制，上述多线程执行CPU密集任务的总耗时和单线程执行差不多，甚至更久，此时如果使用多进程则可以提升效率，这也侧面说明该任务属于CPU密集类型。
区分后的优化方向
确认任务类型后，可以选择对应的优化方案：I/O密集任务优先使用多线程或者asyncio异步编程，减少I/O等待带来的时间损耗；CPU密集任务优先使用多进程，绕过GIL限制，充分利用多核CPU的计算能力。
注意：如果任务同时包含I/O密集和CPU密集的部分，可以拆分任务，分别用对应的并发方案处理，达到最优的性能效果。