52. 用subprocess管理子进程

subprocess是用来执行命令的，比如shell脚本写起来太复杂，可以考虑用这个并行执行一些命令加快速度。可以发现以下10个命令是并行执行的

53. 可以用线程执行阻塞式I/O，但不要用它做并行计算

为了保证CPython的解释器在执行python程序过程中，状态不受干扰，cpython中有一种GIL全局解释器锁。GIL防止一个线程突然一个线程突然打断另一个线程，导致解释器状态被破坏。
不足之处：python中的线程受GIL约束，每次只有一条线程向前推进，无法做到多头并进，因此无法做到多线程并行计算提速。
不过，对于阻塞式IO的情况，比如文件读写，网络交互等，这时候IO可能会阻塞或等待，这时候如果采用多线程threading，就可以区执行别的线程，这样可以起到加速作用。

54. 利用Lock防止多个线程争用同一份数据

虽然GIL的限制下，同一时刻只能有一个线程运行，但是对于文件的访问和修改却可能是访问的同一个，而多线程可能会导致文件被破坏。因为当前线程执行的文件，可能被其他线程修改。
threading库中存在Lock类，可以写成下面这样，这时cnt变量就被加了锁了，不同线程之间必须用同一个锁。

from threading import Lock
lock = Lock()
with lock:
    cnt += 1

55. 用Queue来协调各线程之间的工作进度

典型的生产者-消费者结构，我们可以采用队列来进行数据交互，该队列通常采用现有的list来实现，或者直接用collections中的deque，然后配合lock约束，但是这会面临很多问题，比如生产者和消费者的处理速度难以估计，生产者可能生产的慢而消费者可能消费的快，这时可能面临队列中没有数据的情况。
在多线程中，可以使用queue库中的Queue类，他考虑了线程中会遇到的一些问题，比如Queue类的get方法会一直阻塞直到有新数据可以返回，比如生产者太快了Queue队列满了，也会阻塞，直到被消费者消费掉，可以使用Queue的task_done()和join()方法来确保队列中所有元素处理完毕。

56. 学会判断什么场合必须做并发

程序范围变大、需求变复杂之后，经常要用多条路径平行地处理任务。fan-out与fan-in是最常见的两种并发协调（concurrency coordination）模式，前者用来生成一批新的并发单元，后者用来等待现有的并发单元全部完工。

57. 不要在每次fan-out时都新建一批Thread实例

正如前文所述，fan-out是生成一批新的并发单元，如果每次fan-out时都新建一批Thread实例就会存在一些问题：如维护困难，占用内存大，开销大，出错后难调试。
反例：

for _ in range(n):
    for _ in range(m):
        thread ....
        # 为矩阵中每个单元都创建一个线程

58. 学会正确地重构代码，以便用Queue做并发

不像上述那样为每一个单元都创建一个线程，可以只创建固定大小的线程数量，这样就降低了开销和内存占用。通过Queue来不断地向线程中加入需要处理的单元。
用Queue来重构57中遇到问题的代码，虽然比57好，但是也存在问题，比如需要重构很多代码。

59. 如果必须用线程做并发，那就考虑通过ThreadPoolExecutor实现

其实58中的操作已经比较类似用线程池了，而python中就提供了线程池的相关实现。concurrent.futures提供了ThreadPoolExecutor实现，结合线程和队列Queue的优势。如果你面对的需求，没办法用异步方案解决，而是必须执行完才能往后走（例如文件I/O），那么ThreadPoolExecutor是个不错的选择。
缺点：IO并行能力不高，因为设置了最大线程数max_workers

60. 用协程实现高并发的I/O

61. 学会用asyncio改写那些通过线程实现的I/O

Python已经将异步执行功能很好地集成到语言里面了，所以我们很容易就能把采用线程实现的阻塞式I/O操作转化为采用协程实现的异步I/O操作

62. 结合线程与协程，将代码顺利迁移到asyncio

63. 让asyncio的事件循环保持畅通，以便进一步提升程序的响应能力

64. 考虑用concurrent.futures实现真正的并行计算

想要实现高性能，可以采用c语言重写扩展模块，c语言本身比python更快，并且有原生线程可以用，python针对c扩展设计的API可以参考SWIG和CLIF。但是用c语言重写成本比较高，比如有的在python里面很简单的写法，在c语言里很复杂。移植过程中要做很多测试，确保没bug。Cython，Numba这些工具可以帮助我们顺利向c语言移植。
另一种方式，python的内置库multiprocessing提供了多进程机制，这种机制可以通过concurrent.futures使用。这种方案可以启动许多条子进程（child process），这些进程是独立于主解释器的，它们有各自的解释器与相应的全局解释器锁，因此这些子进程可以平行地运行在CPU的各个核心上面。每条子进程都能够充分利用它所在的这个核心来执行运算。这些子进程都有指向主进程的链接，用来接收所要执行的计算任务并返回结果。
想要发挥multiprocessing的优势，可以使用concurrent.futures中的函数来编写，如ProcessPoolExecutor，用这个库编写起来会比较方便。不要随便使用multiprocessing，因为他底层逻辑比较复杂，需要主进程和子进程之间进行数据交互，序列化反序列化等，用之前的方法无效时，考虑用这个。