cpu密集型：cpu使用率较高(也就是一些复杂运算，逻辑处理)，所以线程数一般只需要cpu核数的线程就可以了。这一类型的在开发中多出现的一些业务复杂计算和逻辑处理过程中。
IO密集型：cpu使用率较低，程序中会存在大量IO操作占据时间，导致线程空余出来，所以通常就需要cpu核心的两倍的线程，当线程进行I/O操作空暇时启用其他线程继承使用cpu，提高使用率通过上述可以总结出：
最佳线上数目 = ((线程等待时间 + 线程CPU时间 )/线程CPU时间) * CPU数目，线程等待时间所占比例越高，需要越多线程。
线程CPU时间所占比例越高，需要越少线程。
接下来我们进行一一分析：
1：高并发、任务执行时间短的业务，线程池线程数可以设置为CPU核数+1，减少线程上下文的切换
2：并发不高、任务执行时间长的业务这就需要区分开看了：
a)假如是业务时间长集中在IO操作上，也就是IO密集型的任务，因为IO操作并不占用CPU，所以不要让所有的CPU闲下来，可以适当加大线程池中的线程数目，让CPU处理更多的业务
b)假如是业务时间长集中在计算操作上，也就是计算密集型任务，这个就没办法了，和(1)一样吧，线程池中的线程数设置得少一些，减少线程上下文的切换
(其实从一二可以看出无论并发高不高，对于业务中是否是cpu密集还是I/O密集的判断都是需要的当前前提是你需要优化性能的前提下)
3：并发高、业务执行时间长，解决这种类型任务的关键不在于线程池而在于整体架构的设计，
a.看看这些业务里面某些数据是否能做缓存是第一步
b.增加服务器是第二步，至于线程池的设置，设置参考 2 。最后，业务执行时间长的问题，也可能需要分析一下，看看能不能使用中间件(任务时间过长的可以考虑拆分逻辑放入队列等操作)对任务进行拆分和解耦。
服务端优化中的并发处理需要使用多线程
线程任务分两种：
1 计算(CPU)密集型,举例：计算圆周率、视频高清解码等
特点：占用cpu资源，线程切换无开销
公式： 线程数 = CPU核数+1
2 IO密集型
举例：开发大部分都是WEB应用，涉及到大量的网络传输，不仅如此，与数据库，与缓存间的交互也涉及到IO，一旦发生IO，线程就会处于等待状态，当IO结束，数据准备好后，线程才会继续执行。因此对于IO密集型的应用，我们可以多设置一些线程池中线程的数量，这样就能让在等待IO的这段时间内，线程可以去做其它事，提高并发处理效率。
特点：cpu消耗较少，线程切换有开销
公式：线程数 = CPU核心数/(1-阻塞系数)
这个阻塞系数一般为0.8~0.9之间，也可以取0.8或者0.9。套用公式，对于双核CPU来说，它比较理想的线程数就是20，当然这都不是绝对的，需要根据实际情况以及实际业务来调整。
Python的多线程在多核CPU上，只对于IO密集型计算产生正面效果；而当有至少有一个CPU密集型线程存在，那么多线程效率会由于GIL而大幅下降。
IO是指阻塞，比如：服务器的accept,python 中的input,或者端口占用
GIL是全局排它锁，如果多线程任务是IO密集型，就会直接释放GIL，解除阻塞，提高了性能，如果多线程任务是CPU密集型，因为一个进程只有一个GIL，多个线程共享这一个GIL，所以一个线程释放了GIL，另一个就会唤醒，而释放GIL的线程就会等待下一次被唤醒,导致效率不会提高，不过可以使用多进程解决。
总之：IO密集型使用多线程，CPU密集型使用多进程
