进程和线程的区别？
考察意图
操作系统基础题，数据/后端岗常用来铺垫「为什么 Python 算密集要多进程、Spark 一个 executor 里又能跑多个 task」。考察候选人能否从资源分配、地址空间、通信与崩溃隔离讲清楚，而不是只背「进程重、线程轻」。
回答框架
- 先给定义：进程是资源分配单位，线程是 CPU 调度单位。
- 按对比项说：地址空间、资源、通信、隔离、创建/切换成本。
- 落到工程选型：Python GIL、Spark executor/task、IO 密集 vs CPU 密集。
- 收口：怎么选，以及别把并发和并行混为一谈。
参考答案（口述版）
一句话：进程是操作系统分配资源（地址空间、文件句柄、一套独立内存）的单位；线程是被调度上 CPU 跑的单位，同一进程里的线程共享这份资源。
对比着说最清楚：
1. 地址空间：进程之间默认隔离，A 进程改不了 B 进程的内存；线程共享进程的堆、全局变量、打开的文件，只各自保留栈、寄存器、程序计数器。
2. 通信：进程间要走管道、socket、共享内存、队列，成本高但边界清楚；线程间直接读写共享变量，快，但必须加锁，否则就是数据竞争。
3. 隔离：一个进程崩溃通常不带走别的进程；一个线程崩了（比如 C 扩展段错误）往往整进程一起没。
4. 成本：创建进程要复制/映射地址空间，更重；创建线程更轻，上下文切换也通常更便宜。Linux 里二者都是 task_struct，差别主要在是否共享 mm_struct。
连到数据工作：
- Python：GIL 让多线程几乎跑不满多核 CPU。IO 等待（读网、读盘）用线程或协程就够；纯 CPU / 压 NumPy 之外的解释器密集计算，用 multiprocessing 或多进程 Pool，每个进程一份解释器、一份 GIL。
- Spark：executor 一般是一个 JVM 进程，里面多个 task 用线程跑。进程隔离的是失败边界和内存配额；线程共享的是 JVM 堆，所以要小心广播变量、共享缓存把堆打满。
- 数仓作业：调度器起的每个 Spark/SQL 任务通常是独立进程，互不影响；进程内部再自己开线程做并行。
怎么选：要隔离、要绕开 GIL、要独立内存配额 → 多进程；要共享内存、要轻量并发、主要在等 IO → 多线程（或协程）。并发是「逻辑上同时推进」，并行才是「多个核同时在算」——多线程不等于多核并行。
口述收尾：先说「进程管资源、线程被调度」，再主动提共享地址空间和 GIL/Spark，面试官一般就不会停在概念题上。
关键词
面试官可能的追问
追问 1：协程和线程又有什么区别？数据任务里怎么用？
线程由 OS 调度，有内核栈，切换有系统调用成本，能真正并行（无 GIL 的语言里）；协程是用户态协作式调度，自己 await 才让出，切换极轻，但一个协程阻塞整个线程。Python asyncio、Go 的 goroutine（M:N）都是这个方向。适合高并发 IO：同时打很多 HTTP、写很多连接。CPU 密集不要用协程硬扛，它不会变出多核。
追问 2：为什么 Spark 用线程跑 task，Python 算密集却常用多进程？
JVM 没有 Python 那种 GIL，多线程能吃多核，且 task 之间共享 executor 的堆、广播变量、连接池，避免每个 task 一份 JVM。Python 解释器锁住了字节码并行，算密集用线程只是交错执行；用进程才能并行。Spark 的 Python worker（pandas UDF）反而会起独立 Python 进程，就是在绕 GIL。
追问 3：线程安全的共享数据怎么处理？不加锁会怎样？
只要有「读+改+写」跨线程，就需要锁、原子变量或并发队列。不加锁会出现丢失更新、脏读、甚至结构损坏。数据场景里更稳的做法是：线程各算各的分区、最后再汇合（和 MapReduce 一样），少共享可变状态。必须共享时，优先用队列传递不可变结果，而不是多线程一起改一个 dict。
常见踩坑
- 说线程有独立堆/独立地址空间，把线程说成「轻量进程」就停了
- 默认 Python 多线程能吃满多核，忽略 GIL
- 把并发（交替推进）和并行（多核同时算）混为一谈
- 多线程里随便共享可变 dict/DataFrame，出数据竞争还不自知
记忆锚点
进程管资源隔离，线程共享地址空间被调度。