Python的线程切换机制是多线程编程中需要理解的核心内容，它的运行逻辑和很多其他编程语言存在差异，主要由全局解释器锁GIL、操作系统调度规则以及I/O等待行为共同决定。
全局解释器锁GIL对线程切换的限制
GIL是CPython解释器引入的互斥锁，它的核心作用是保证同一时刻只有一个线程可以执行Python字节码，避免多个线程同时操作Python对象导致的内存管理问题。在GIL的约束下，即使是多核CPU，Python线程也无法实现真正的并行执行。
GIL的释放和获取规则直接影响线程切换：在Python 3.2之前，线程执行固定数量的字节码指令后就会主动释放GIL，让其他线程有机会获取锁并执行；Python 3.2及之后，改为基于时间片的策略，默认每个线程持有GIL的时间为15毫秒，时间到期后释放锁，触发线程切换。
我们可以通过一段简单的代码观察GIL影响下的线程执行顺序：
import threading
import time
def thread_task():
# 线程执行的任务，打印当前线程名称
for i in range(3):
print(f"线程 {threading.current_thread().name} 执行第 {i} 次")
time.sleep(0.1)
# 创建两个线程
t1 = threading.Thread(target=thread_task, name="线程A")
t2 = threading.Thread(target=thread_task, name="线程B")
t1.start()
t2.start()
t1.join()
t2.join()
上述代码中两个线程会交替执行，本质是两个线程在持有GIL的时间到期后释放锁，另一个线程获取锁后继续执行，并不是真正的并行。
操作系统调度对线程切换的影响
Python的线程本质是对操作系统原生线程的封装，所以操作系统层面的线程调度规则也会作用于Python线程。操作系统采用时间片轮转、优先级调度等策略分配CPU资源，当线程的时间片用完，或者线程的优先级被其他更高优先级的线程抢占时，就会触发线程切换。
需要注意的是，即使Python线程获取到了GIL，如果操作系统层面将该线程挂起，分配CPU时间给其他进程的原生线程，那么Python线程也无法继续执行。比如当系统负载很高，CPU资源紧张时，线程的切换频率会升高，持有GIL的线程也可能被操作系统暂停执行。
我们可以通过os.getpid()结合系统工具观察线程对应的操作系统线程ID，不过不同系统的实现方式不同，这里以Linux系统为例展示获取线程ID的代码：
import threading
import ctypes
def get_native_thread_id():
# 获取当前线程对应的操作系统原生线程ID
libc = ctypes.CDLL("libc.so.6")
# SYS_gettid的系统调用号，不同架构可能有差异，这里以x86_64为例
SYS_gettid = 186
return libc.syscall(SYS_gettid)
def thread_task():
tid = get_native_thread_id()
print(f"Python线程 {threading.current_thread().name} 对应的原生线程ID: {tid}")
t1 = threading.Thread(target=thread_task, name="线程A")
t2 = threading.Thread(target=thread_task, name="线程B")
t1.start()
t2.start()
t1.join()
t2.join()
I/O等待对线程切换的触发作用
当Python线程执行I/O操作（比如文件读写、网络请求、time.sleep()调用等）时，线程会进入等待状态，此时会自动释放GIL，让其他线程可以获取GIL并执行。这是Python多线程在I/O密集型场景下能够提升性能的核心原因。
常见的会触发GIL释放的I/O操作包括：
- 文件读写操作，比如
open()、read()、write()等 - 网络操作，比如
socket模块的收发数据、requests库的请求调用 - 阻塞式的等待操作，比如
time.sleep()、threading.Event.wait()等 - 数据库查询等外部服务调用操作
我们可以对比CPU密集型和I/O密集型场景下的线程切换差异：
import threading
import time
def cpu_bound_task():
# CPU密集型任务，执行大量计算，不会主动释放GIL
total = 0
for i in range(10**7):
total += i
print(f"{threading.current_thread().name} CPU任务执行完成")
def io_bound_task():
# I/O密集型任务，执行sleep操作，会主动释放GIL
for i in range(3):
print(f"{threading.current_thread().name} 第 {i} 次等待")
time.sleep(0.5)
print(f"{threading.current_thread().name} I/O任务执行完成")
print("CPU密集型多线程执行：")
t1 = threading.Thread(target=cpu_bound_task, name="CPU线程A")
t2 = threading.Thread(target=cpu_bound_task, name="CPU线程B")
start = time.time()
t1.start()
t2.start()
t1.join()
t2.join()
print(f"CPU密集型耗时：{time.time() - start:.2f}秒")
print("nI/O密集型多线程执行：")
t3 = threading.Thread(target=io_bound_task, name="I/O线程A")
t4 = threading.Thread(target=io_bound_task, name="I/O线程B")
start = time.time()
t3.start()
t4.start()
t3.join()
t4.join()
print(f"I/O密集型耗时：{time.time() - start:.2f}秒")
上述代码中，CPU密集型任务的两个线程会串行执行，总耗时接近单线程执行两倍的时间；而I/O密集型任务的两个线程会交替等待，总耗时接近单个线程执行的时间，体现了I/O等待触发的线程切换带来的性能提升。
三者协同作用下的线程切换逻辑
Python线程的完整切换流程是三者共同作用的结果：首先线程需要获取到操作系统的CPU时间片，然后尝试获取GIL，只有成功获取GIL后才能执行Python字节码；如果执行过程中遇到I/O等待，会主动释放GIL，让其他线程有机会获取锁；如果持有GIL的时间到期，也会主动释放锁，触发切换；如果操作系统收回了当前线程的CPU时间片，即使持有GIL也无法继续执行。
理解这个逻辑后，我们就可以合理选择多线程的使用场景：I/O密集型任务适合使用多线程，利用I/O等待时的线程切换提升资源利用率；CPU密集型任务不适合使用多线程，因为GIL的限制会导致线程无法并行，反而会因为切换带来额外开销，这类场景更适合使用多进程或者协程。