Что хотят услышать интервьюеры:

Да, многопоточность в Python реализуется через модуль threading. Она полезна для задач, где потоки часто ждут ввода-вывода: сеть, файлы, запросы к API. Для CPU-bound задач она обычно не даёт ускорения из-за GIL в CPython.

Определение:

Многопоточность — это выполнение нескольких потоков в рамках одного процесса, где потоки разделяют память процесса. В Python её обычно создают через threading.Thread или через более удобные обёртки вроде concurrent.futures.ThreadPoolExecutor.

Важно понимать ограничение CPython: глобальная блокировка интерпретатора GIL не позволяет нескольким потокам одновременно выполнять байткод Python в нескольких ядрах. Поэтому потоки хороши для параллельного ожидания I/O, но не для тяжёлых вычислений.

Пример использования:

Например, нужно одновременно скачать несколько страниц или отправить несколько HTTP-запросов. Каждый запрос большую часть времени ждёт ответ сервера, и в это время другой поток может работать.

import threading
import requests

def fetch(url):
    response = requests.get(url, timeout=5)
    print(url, response.status_code)

urls = [
    "https://example.com",
    "https://httpbin.org/get",
    "https://python.org"
]

threads = []
for url in urls:
    thread = threading.Thread(target=fetch, args=(url,))
    threads.append(thread)
    thread.start()

for thread in threads:
    thread.join()

Пояснение кода:

Импортируется модуль threading, который позволяет создавать и запускать потоки.
Функция fetch выполняет сетевой запрос и печатает результат.
Для каждого URL создаётся отдельный объект Thread, которому передаётся функция fetch и её аргументы.
Метод start() запускает поток, и запросы начинают выполняться почти одновременно.
Метод join() заставляет основной поток ждать завершения всех дочерних потоков, чтобы программа не завершилась раньше времени.

Ключевые моменты:

Многопоточность в Python есть, и базово она делается через threading.
Для I/O-bound задач потоки полезны: сеть, файлы, ожидание внешних сервисов.
Для CPU-bound задач потоки в CPython обычно не ускоряют выполнение из-за GIL.
Если нужна параллельная CPU-обработка, чаще используют multiprocessing или выносят вычисления в нативный код.
Для более удобной работы с пулом потоков часто применяют ThreadPoolExecutor.
Потоки разделяют память, поэтому при работе с общими данными нужно учитывать синхронизацию и возможные race condition.

Можно ли реализовать многопоточность в Python и как это делается?