【原】python并发编程: Python速度慢的罪魁祸首，全局解释器锁GIL

往期文章：

1. 并发编程简介
2. 怎样选择多线程多进程多协程

python速度慢的两大原因

• 动态类型语言，边解释边执行
• 由于GIL，无法利用多核CPU并发执行

GIL是什么？

全局解释锁（Global Interpreter Lock，GIL）是计算机程序设计语言解释器用于同部线程的一种机制，它使得任何时刻仅有一个进程在执行。即使在多核心处理器上，使用GIL的解释器也只允许同一时间执行一个线程。

❝

在上图中的流程：

• 当线程1在运行的时候，则会启动GIL
• 当线程1需要进行IO操作时，GIL则会释放，此时线程1切换到线程2运行，GIL再次启用。
• 当线程2运行IO时，GIL再次释放，此时线程2切换到线程3，GIL则再次启用。

❞

为什么有GIL这个东西？

为了解决多线程之间数据完整性和状态同步问题。举例子：Python中对象的管理，是使用引用计数器进行的，引用数为0则释放对象。开始：线程A和线程B都引用了对象obj，obj.ref_num = 2，线程A和B都想撤销对obj的引用

上图中线程A和线程B都引用了对象obj, 首先，线程A准备销毁obj引用，将计数器减1，刚减完，切换到了线程B, 线程B也要销毁obj引用，将计数器减1，然后判断引用等于0，则将其释放掉。当切换到线程A继续执行的时候，发现obj的引用已经无法获取计数器的值了。所以，就报错了。

怎么规避GIL带来的限制？

• 多线程 threading 机制依然是有用的，用于IO密集型计算。因为在 I/O (read,write,send,recv,etc.)期间，线程会释放GIL，实现CPU和IO的并行。因此多线程用于IO密集型计算依然可以大幅提升速度。但是多线程用于CPU密集型计算时，只会更加拖慢速度

• 使用multiprocessing的多进程机制实现并行计算、利用多核CPU优势。为了应对GIL的问题，Python提供了multiprocessing

总结

• 多线程适用于IO密集型问题，当线程在处理IO问题时，将释放GIL锁，并切换至下一线程，线程的切换使用的是CPU，线程的处理使用的是IO，这样就实现了CPU和IO的并行。
• 多进程用于处理CPU密集性问题，适用于充分发挥多核CPU的优势，多进程其实变相的解决了GIL锁的弊端。