对于计算密集型的任务，使用Python多线程并不会显著提高CPU利用率。

最近在做一个对多个文件进行数据抽取的任务，尝试使用python多线程后发现处理性能并没有提高，查看资源管理器发现CPU利用率也没有提高多少，多方调查发现，python对于多线程的实现并不好，对于计算密集型的任务使用多线程提升的性能有限。

在使用Python多线程时，由于全局解释器锁（Global Interpreter Lock，GIL）的存在，同一时刻只有一个线程能够执行Python字节码，这意味着即使有多个线程，它们也不能同时执行Python字节码。因此，对于计算密集型的任务，使用Python多线程并不会显著提高CPU利用率。

全局解释器锁（Global Interpreter Lock，GIL）是Python解释器中的一个机制，它确保在任何时刻只有一个线程能够执行Python字节码。这意味着，在使用多线程时，多个线程不能同时执行Python字节码，而是必须轮流获取GIL来执行Python代码。

GIL的存在主要是为了保护Python解释器内部数据结构的一致性，因为Python解释器中的大部分数据结构都是非线程安全的。如果多个线程同时对这些数据结构进行修改，就有可能导致数据结构的不一致性或损坏，从而导致程序出现异常或崩溃。

因此，GIL可以看作是Python解释器的一种保护机制，它虽然在多线程情况下可能会降低Python程序的并发性能，但是也保证了程序的稳定性和正确性。

需要注意的是，由于GIL只是保护了Python解释器内部数据结构的一致性，因此对于I/O密集型的任务，使用多线程仍然可以提高程序的并发性能，因为线程可以在等待I/O时释放GIL，从而让其他线程执行Python代码。但是对于计算密集型的任务，由于GIL的限制，使用多线程并不能显著提高程序的并发性能，此时可以考虑使用多进程来充分利用多核CPU的优势。

然而，对于I/O密集型的任务，Python多线程可以提高CPU利用率。例如，当一个线程正在等待I/O操作完成时，另一个线程可以继续执行Python代码。这样，即使有全局解释器锁的限制，使用多线程也可以提高系统的吞吐量，使CPU能够更加高效地执行其他任务。

虽然Python多线程在某些情况下可以提高CPU利用率，但是如果任务本身不适合多线程，或者线程之间频繁地进行上下文切换，也可能会导致CPU利用率下降。因此，在使用Python多线程时，需要根据任务的特点和系统的实际情况进行选择，以达到最优的性能和吞吐量。

使用多进程可以提高CPU利用率，因为每个进程都有自己的Python解释器和独立的内存空间，它们可以并行执行Python代码，从而使CPU更加高效地工作。

与使用多线程不同，多进程可以充分利用多核CPU的优势，因为每个进程都可以在不同的CPU核心上执行Python代码，从而实现真正的并行计算。此外，与多线程相比，多进程不受全局解释器锁的限制，因此可以更好地处理计算密集型的任务。

需要注意的是，由于每个进程都有独立的内存空间，因此进程间的数据共享需要通过进程间通信机制（如队列、管道等）来实现。此外，多进程也会带来一定的开销，包括创建和销毁进程的时间和资源消耗，因此需要根据具体的应用场景进行选择。

总之，与使用多线程相比，使用多进程可以更好地利用多核CPU的优势，提高系统的并行计算能力和CPU利用率，适用于计算密集型的任务。