线程和 Python 的全局解释器锁
虎哥约 5 分钟Python 中的并发和并行，特别是在使用多线程时，经常被提及的一个概念就是**全局解释器锁 (GIL)**。
Python 中的一个“独特存在”，GIL 的作用到底是什么，它又是如何影响 Python 程序的性能的呢？
今天我们就来聊聊这个话题，同时给大家普及一下如何在实际开发中应对这个问题，提升性能。
什么是 GIL？简而言之就是“串行执行”
在 Python 中，GIL 是一个互斥锁，用于确保同一时刻只有一个线程在执行 Python 字节码。这意味着，即便你在程序中创建了多个线程，它们也不能同时在多个 CPU 核心上并行执行代码——实际上，在一个 CPU 核心上，只有一个线程在运行。
这个设计在 CPython（Python 的默认实现）中是必不可少的，它简化了内存管理和对象引用计数等底层操作。
它的存在也意味着 Python 的多线程在处理 CPU 密集型任务时并不会带来期望的性能提升，反而可能因为锁的争用而拖慢执行速度。
为什么 GIL 影响 CPU 密集型任务？
如果你想用 Python 做一些 CPU 密集型的计算，比如大量的数字运算、图像处理等任务，GIL 就成了你的“敌人”。
你有多个线程执行一堆计算任务，按照理想情况，它们应该能分配到不同的 CPU 核心上并行计算，从而提升整体执行效率。
但因为 GIL 的存在，Python 只允许一个线程执行字节码，即使你有多个线程，只有一个线程能在 CPU 上“跑”，其他线程就得等着，这样并行计算的优势就被大大削弱了。
以一个简单的 Python 示例为例：
import threading
defcpu_bound_task():
total = 0
for i in range(1000000):
total += i
print(total)
# 创建多个线程
threads = []
for i in range(5):
t = threading.Thread(target=cpu_bound_task)
threads.append(t)
t.start()
# 等待所有线程完成
for t in threads:
t.join()
在上述代码中，我们创建了 5 个线程，每个线程执行一个简单的 CPU 密集型任务：计算从 0 到 999,999 的所有整数之和。按理说，如果没有 GIL，应该能在多个 CPU 核心上并行执行这些任务，提速就事半功倍了。但实际上，因为 GIL 的限制，这些线程最终还是会一个一个地执行任务。
GIL 对 I/O 密集型任务的影响
与 CPU 密集型任务不同，I/O 密集型任务（如网络请求、文件操作等）受 GIL 影响较小。由于 I/O 操作本质上是阻塞的，大多数时间线程并不需要执行 Python 代码，而是在等待外部资源的响应。此时，GIL 并不会造成太大问题，多个线程依然可以并发工作。
假设你需要发送多个网络请求，代码如下：
import threading
import time
import requests
defio_bound_task():
response = requests.get('https://www.example.com')
print(f"Response: {response.status_code}")
# 创建多个线程
threads = []
for i in range(5):
t = threading.Thread(target=io_bound_task)
threads.append(t)
t.start()
# 等待所有线程完成
for t in threads:
t.join()
在这个例子中，线程在执行网络请求时并不会占用 CPU 资源。大部分时间，线程在等待服务器的响应，这时 GIL 允许其他线程继续执行。因此，即使存在 GIL，多个线程的并发处理仍然能带来显著的性能提升，尤其是在处理 I/O 密集型任务时。
如何绕过 GIL 提高性能？
对于 CPU 密集型任务，Python 提供了 multiprocessing 模块，它通过创建独立的进程而不是线程来绕过 GIL 的限制。每个进程都有自己的内存空间和独立的 GIL，从而实现真正的并行计算。
我们来看一个使用 multiprocessing 的例子：
import multiprocessing
defcpu_bound_task():
total = 0
for i in range(1000000):
total += i
print(total)
if __name__ == '__main__':
processes = []
for i in range(5):
p = multiprocessing.Process(target=cpu_bound_task)
processes.append(p)
p.start()
for p in processes:
p.join()
在这个例子中，multiprocessing 模块创建了多个进程，每个进程都有自己的 GIL，从而实现了真正的并行计算。对于 CPU 密集型任务，multiprocessing 是比 threading 更适合的选择，因为它能够充分利用多核 CPU。
GIL 对开发者的影响
如果你使用的是 CPython，GIL 是无法避免的。这就要求开发者在设计并发程序时，考虑到 GIL 的限制。
对于 CPU 密集型任务，尽量使用 multiprocessing。对于 I/O 密集型任务，使用 threading是合适的，它能充分利用线程的并发能力，且 GIL 的影响较小。
如果你的应用程序大部分是进行 I/O 操作（如 web 服务、爬虫等），那么你可以放心使用线程；如果你的应用程序需要大量的计算，可能需要考虑使用 multiprocessing 或其他技术（例如 C 扩展、NumPy 等）。
面试题：GIL 的作用和使用场景
问题：在 Python 中，GIL 是如何影响并发编程的？请解释其作用及其在 CPU 密集型和 I/O 密集型任务中的应用。
最佳答案：GIL（全局解释器锁）是 CPython 中的一种机制，它保证在同一时刻，只有一个线程可以执行 Python 字节码。其目的是简化内存管理和对象引用计数的问题，但同时也带来了并发编程上的一些限制。
对于CPU 密集型任务，由于 GIL 的存在，多个线程无法在多个 CPU 核心上并行工作，实际上只有一个线程能够占用 CPU 资源。因此，使用线程并不能提升性能，反而可能因为线程的切换和锁的竞争降低效率。在这种情况下，推荐使用 multiprocessing，它通过创建独立的进程来绕过 GIL，实现真正的并行计算。
对于I/O 密集型任务（如文件读取、网络请求等），线程仍然可以充分利用并发的优势，因为大部分时间线程在等待外部资源，而不是在执行 Python 代码。
GIL 并不会造成阻塞，因此使用 threading 模块可以显著提升程序的性能。