一、GIL介紹

GIL本質(zhì)就是一把互斥鎖，既然是互斥鎖，所有互斥鎖的本質(zhì)都一樣，都是將并發(fā)運行變成串行，以此來控制同一時間內(nèi)共享數(shù)據(jù)只能被一個任務(wù)所修改，進而保證數(shù)據(jù)安全。

可以肯定的一點是：保護不同的數(shù)據(jù)的安全，就應(yīng)該加不同的鎖。

要了解GIL，首先確定一點：每次執(zhí)行python程序，都會產(chǎn)生一個獨立的進程。例如python test.py，python aaa.py，python bbb.py會產(chǎn)生3個不同的python進程

在一個python的進程內(nèi)，不僅有test.py的主線程或者由該主線程開啟的其他線程，還有解釋器開啟的垃圾回收等解釋器級別的線程，總之，所有線程都運行在這一個進程內(nèi)。

1、所有數(shù)據(jù)都是共享的

其中代碼作為一種數(shù)據(jù)也是被所有線程共享的（test.py的所有代碼以及Cpython解釋器的所有代碼）

2、所有線程的任務(wù)，都需要將任務(wù)的代碼當做參數(shù)傳給解釋器的代碼去執(zhí)行，即所有的線程要想運行自己的任務(wù)，首先需要解決的是能夠訪問到解釋器的代碼

綜上：

如果多個線程的target=work，那么執(zhí)行流程是

多個線程先訪問到解釋器的代碼，即拿到執(zhí)行權(quán)限，然后將target的代碼交給解釋器的代碼去執(zhí)行

解釋器的代碼是所有線程共享的，所以垃圾回收線程也可能訪問到解釋器的代碼而去執(zhí)行，這就導致了一個問題:

對于同一個數(shù)據(jù)100，可能線程1執(zhí)行x=100的同時，而垃圾回收執(zhí)行的是回收100的操作，解決這種問題沒有什么高明的方法?

就是加鎖處理，如下圖的GIL，保證python解釋器同一時間只能執(zhí)行一個任務(wù)的代碼

二、GIL與Lock

GIL保護的是解釋器級的數(shù)據(jù)，保護用戶自己的數(shù)據(jù)則需要自己加鎖處理，如下圖

三、GIL與多線程

有了GIL的存在，同一時刻同一進程中只有一個線程被執(zhí)行

進程可以利用多核，但是開銷大，而python的多線程開銷小，但卻無法利用多核優(yōu)勢，要解決這個問題，我們需要在幾個點上達成一致：

1. cpu到底是用來做計算的，還是用來做I/O的？

2. 多cpu，意味著可以有多個核并行完成計算，所以多核提升的是計算性能

3. 每個cpu一旦遇到I/O阻塞，仍然需要等待，所以多核對I/O操作沒什么用處

一個工人相當于cpu，此時計算相當于工人在干活，I/O阻塞相當于為工人干活提供所需原材料的過程，工人干活的過程中如果沒有原材料了，則工人干活的過程需要停止，直到等待原材料的到來。

如果你的工廠干的大多數(shù)任務(wù)都要有準備原材料的過程（I/O密集型），那么你有再多的工人，意義也不大，還不如一個人，在等材料的過程中讓工人去干別的活，

反過來講，如果你的工廠原材料都齊全，那當然是工人越多，效率越高

結(jié)論：

對計算來說，cpu越多越好，但是對于I/O來說，再多的cpu也沒用

當然對運行一個程序來說，隨著cpu的增多執(zhí)行效率肯定會有所提高（不管提高幅度多大，總會有所提高），這是因為一個程序基本上不會是純計算或者純I/O，所以我們只能相對的去看一個程序到底是計算密集型還是I/O密集型，從而進一步分析python的多線程到底有無用武之地。

假設(shè)一種情況：

現(xiàn)在有四個任務(wù)需要處理，處理方式是要有并發(fā)的效果，解決方案可以是：

方案一：開啟四個進程

方案二：一個進程下，開啟四個線程

單核情況下，分析結(jié)果:

如果四個任務(wù)是計算密集型，沒有多核來并行計算，方案一徒增了創(chuàng)建進程的開銷，方案二勝

如果四個任務(wù)是I/O密集型，方案一創(chuàng)建進程的開銷大，且進程的切換速度遠不如線程，方案二勝

多核情況下，分析結(jié)果：

如果四個任務(wù)是計算密集型，多核意味著并行計算，在python中一個進程中同一時刻只有一個線程執(zhí)行用不上多核，方案一勝

如果四個任務(wù)是I/O密集型，再多的核也解決不了I/O問題，方案二勝

結(jié)論：

現(xiàn)在的計算機基本上都是多核，python對于計算密集型的任務(wù)開多線程的效率并不能帶來多大性能上的提升，甚至不如串行(沒有大量切換)

但是，對于IO密集型的任務(wù)效率還是有顯著提升的。

四、多線程性能測試

1、計算密集型：多進程效率高

from multiprocessing import Process

from threading import Thread

import os,time

def work():

res=0

for i in range(100000000):

res*=i

l=[]

print(os.cpu_count()) #本機為4核

start=time.time()

for i in range(4):

# p=Process(target=work) #耗時18s多

p=Thread(target=work) #耗時26s多

l.append(p)

p.start()

for p in l:

p.join()

stop=time.time()

print('run time is %s' %(stop-start))

2、i/o密集型：多線程效率高

from multiprocessing import Process

from threading import Thread

import threading

import os,time

def work():

time.sleep(2)

print('===>')

l=[]

print(os.cpu_count()) #本機為4核

start=time.time()

for i in range(400):

p=Process(target=work) #耗時4s多,大部分時間耗費在創(chuàng)建進程上

# p=Thread(target=work) #耗時2s多

l.append(p)

p.start()

for p in l:

p.join()

stop=time.time()

print('run time is %s' %(stop-start))

應(yīng)用：

多線程用于IO密集型，如socket，爬蟲，web

多進程用于計算密集型，如金融分析

總結(jié)

以上是生活随笔為你收集整理的python gil_Python GIL(Global Interpreter Lock)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。