python面试：什么是 GIL 以及绕过它的一些方法是什么？

说到 Python 面试里绕不开的“GIL”这玩意儿，说实话，面试官一旦问起来，不仅是对你理解多线程的基本功一次大考察，更是你对 Python 内核机制了解的试金石。

要我说，这 GIL，全名叫 Global Interpreter Lock，全局解释器锁，一听这名字就透着点霸道总裁那味儿：整个 Python 解释器只能同时被一个线程拥有访问权，谁抢到谁说了算，其他线程你再急也得排队。

很多兄弟姐妹第一次接触 GIL，都是在写多线程爬虫、搞异步处理的时候一脸懵逼：为啥我开的十个线程，性能反倒没上去？为啥 CPU 使用率永远满不了？我去，这不坑爹么？

GIL 到底是个什么鬼？

咱先别着急骂它坑，GIL 不是 Python 的 bug，它是 CPython 实现里的设计选择。

CPython 是 Python 最主流的实现，是用 C 写的。而 CPython 中的内存管理（比如引用计数）不是线程安全的。为了避免多个线程同时操作导致内存数据错乱（比如引用计数变成了负数），干脆整个解释器用一把大锁锁起来——这就是 GIL。

这样设计当然简单粗暴，开发效率也高，但带来的副作用也是肉眼可见的：多线程的 CPU 密集型程序在 Python 里完全就是个笑话。

你以为自己搞了个 8 核 16 线程的高性能服务器，Python 却笑眯眯告诉你：“不好意思，我一次只用一个核。”

真·坑体验：线程是摆设

讲真，写 Python 多线程代码的时候，有种“全村的希望都交给你了”的豪情，但现实往往啪啪打脸。

举个例子，我们搞个 CPU 密集的计算，比如计算一堆斐波那契数列的结果：

import threading

deffib(n):
if n <= 1:
return n
return fib(n-1) + fib(n-2)

threads = []
for i in range(4):
    t = threading.Thread(target=fib, args=(35,))
    threads.append(t)
    t.start()

for t in threads:
    t.join()

看着线程数是 4，你以为自己在并行计算，结果你用 top 一看，CPU 使用率压根就没满……这就是 GIL 的魔力，每次只有一个线程能执行 Python 字节码，其他线程只能傻傻等。

那多线程就不能用了？

也不是这么绝对。GIL 主要影响的是 CPU 密集型 的程序，对于 IO 密集型 的场景，比如网络请求、文件读写、数据库操作，多线程依然能带来收益。

为啥？因为线程在等待 IO 时会自动释放 GIL，其他线程就能趁机执行。这时候多线程还是挺香的。

这也是为啥 Python 爬虫常用 threading 或 concurrent.futures.ThreadPoolExecutor 来搞定一堆请求任务，因为它们大部分时间都在等服务器响应，CPU 用得很少。

绕过 GIL 的几种姿势

说了这么多，那问题来了：GIL 这么烦，有没有办法绕过去？

当然有，而且不止一种。看情况选适合自己的方案吧：

1. 多进程：用 multiprocessing 解放 CPU

最直接的方式就是用多个进程代替线程。进程之间各自有独立的 Python 解释器和 GIL，互不干扰。

from multiprocessing import Process

deffib(n):
if n <= 1:
return n
return fib(n-1) + fib(n-2)

processes = []
for _ in range(4):
    p = Process(target=fib, args=(35,))
    processes.append(p)
    p.start()

for p in processes:
    p.join()

这代码一跑，CPU 立马拉满！👍 不过多进程也不是银弹，它的开销比线程大，进程间通信（IPC）也更复杂，不适合短小轻巧的任务。

2. 用 C/C++ 写扩展模块，避开 GIL 限制

GIL 只限制执行 Python 字节码，但如果你写个 C 扩展，计算逻辑用纯 C 写，在代码里显式地释放 GIL，就可以实现真正的并行。

比如你可以用 cython，在某段计算前加上 with nogil:，告诉解释器：“这段我自己来搞，不用你管。”

cdef int fib(int n) nogil:
    if n <= 1:
        return n
    return fib(n-1) + fib(n-2)

当然这门槛就高多了，属于“想要并行，先写 C”的流派。

3. 用 numpy、pandas 等底层 C 实现的库

很多 Python 科学计算库本身就封装了底层并行逻辑，比如 numpy 调用的是 BLAS 或 MKL 库，它们内部就能开线程。

所以像这种代码：

import numpy as np

a = np.random.rand(10000, 10000)
b = np.dot(a, a.T)

即使你只写了一行 Python，它在背后调用了并行优化的 C 库，性能杠杠的。

4. 上 async，大胆异步起来

Python 3.5 之后有了 asyncio，你可以不用线程或进程，就搞定高并发 IO 操作。比如爬虫、网络服务、数据采集这些场景，async/await 简直香到飞起。

但别忘了，它不能让你的计算更快，只是把等待的时间利用起来了。