threading.Lock是最直接的解法，因其能强制串行化临界区以解决GIL下复合操作非原子性问题；需共享锁实例、用with语法、细粒度加锁，且asyncio中须换用asyncio.Lock。
为什么 threading.Lock 是最直接的解法
python 的全局解释器锁（GIL）不能保证复合操作的原子性，比如 counter += 1 实际拆成读、加、写三步，多线程下极易丢更新。用 threading.Lock 能强制串行化临界区，简单可靠。
实操建议：
- 锁对象必须是全局或共享实例，不能在每次调用里新建
threading.Lock() - 务必用
with lock:语法，避免忘记release()导致死锁 - 锁粒度要细——只包住真正需要保护的语句，比如只包
self._value += 1，别把日志或网络请求也塞进去
示例：
import threading <p>class Counter: def <strong>init</strong>(self): self._value = 0 self._lock = threading.Lock()</p><pre class="brush:php;toolbar:false;">def inc(self): with self._lock: # ✅ 正确：自动 acquire/release self._value += 1 return self._value立即学习“Python免费学习笔记（深入）”；
asyncio 场景下不能用 threading.Lock
协程不是线程，threading.Lock 在 async 函数里会阻塞整个事件循环，导致并发退化为串行。必须换用 asyncio.Lock。
常见错误现象：
- 用了
threading.Lock包裹await调用，程序卡住或报RuntimeError: await wasn't used with future - 多个协程同时等待同一个
threading.Lock，实际变成排队执行，吞吐量骤降
实操建议：
-
asyncio.Lock必须在协程内用async with lock:，不能和threading.Lock混用 - 初始化时要确保在事件循环已启动的上下文中（比如不能在模块顶层直接
asyncio.Lock()） - 如果计数器还要被同步代码访问，就得拆成两套逻辑，或统一用线程安全基类 + 额外同步机制
AtomicInteger 类不存在，别被 Java 习惯带偏
Python 标准库没有类似 Java 的 AtomicInteger，也没有内置原子加法指令。有人试图用 ctypes 或 _thread 模拟，结果往往更慢、更难 debug，还破坏可移植性。
为什么不用这些“高级”方案：
-
ctypes.c_long加threading.Lock包裹，性能反而比纯 Python 对象差（额外类型转换开销） -
_thread.atomic_add是假的——CPython 内部没有暴露该接口，第三方包如atomic实际仍是基于锁封装 - numpy 的
np.add.at或threading.local不解决跨线程共享计数问题，只是转移了竞争点
结论：老实用 threading.Lock 或 asyncio.Lock，清晰、可测、无隐藏陷阱。
测试并发安全不能只靠 time.sleep()
手写 for 循环起一堆线程，再加 time.sleep() 模拟调度，根本压不出竞态。真实问题往往在高并发短任务下才暴露，比如 1000 线程抢 10 次 increment。
有效验证方式：
- 用
concurrent.futures.ThreadPoolExecutor提交大量小任务，比如 500 线程各执行 100 次inc()，最后检查总数是否等于 50000 - 配合
threading.active_count()和Logging.debug打点，确认锁确实被争用（而非单线程跑完） - 在 CI 中重复运行 100 次，失败一次就红，别信“本地试了几次都对”
容易被忽略的是：测试环境 CPU 核心数、Python 版本（3.12 引入 per-interpreter GIL）、甚至是否开了 faulthandler 都会影响竞态复现概率。