Python GIL(Global Interpreter Lock)

標籤：相對   帶來   分享圖片   解譯器   nts   複製   技術分享   進程   結果   

閱讀目錄

• 一 介紹
• 二 GIL介紹
• 三 GIL與Lock
• 四 GIL與多線程
• 五 多線程效能測試

一 介紹

‘‘‘定義：In CPython, the global interpreter lock, or GIL, is a mutex that prevents multiple native threads from executing Python bytecodes at once. This lock is necessary mainly because CPython’s memory management is not thread-safe. (However, since the GIL exists, other features have grown to depend on the guarantees that it enforces.)‘‘‘結論：在Cpython解譯器中，同一個進程下開啟的多線程，同一時刻只能有一個線程執行，無法利用多核優勢

首先需要明確的一點是GIL並不是Python的特性，它是在實現Python解析器(CPython)時所引入的一個概念。就好比C++是一套語言（文法）標準，但是可以用不同的編譯器來編譯成可執行代碼。有名的編譯器例如GCC，INTEL C++，Visual C++等。Python也一樣，同樣一段代碼可以通過CPython，PyPy，Psyco等不同的Python執行環境來執行。像其中的JPython就沒有GIL。然而因為CPython是大部分環境下預設的Python執行環境。所以在很多人的概念裡CPython就是Python，也就想當然的把GIL歸結為Python語言的缺陷。所以這裡要先明確一點：GIL並不是Python的特性，Python完全可以不依賴於GIL

這篇文章透徹的剖析了GIL對python多線程的影響，強烈推薦看一下：http://www.dabeaz.com/python/UnderstandingGIL.pdf 

二 GIL介紹

GIL本質就是一把互斥鎖，既然是互斥鎖，所有互斥鎖的本質都一樣，都是將並發運行變成串列，以此來控制同一時間內共用資料只能被一個任務所修改，進而保證資料安全。

可以肯定的一點是：保護不同的資料的安全，就應該加不同的鎖。

要想瞭解GIL，首先確定一點：每次執行python程式，都會產生一個獨立的進程。例如python test.py，python aaa.py，python bbb.py會產生3個不同的python進程

驗證python test.py只會產生一個進程

在一個python的進程內，不僅有test.py的主線程或者由該主線程開啟的其他線程，還有解譯器開啟的記憶體回收等解譯器層級的線程，總之，所有線程都運行在這一個進程內，毫無疑問

#1 所有資料都是共用的，這其中，代碼作為一種資料也是被所有線程共用的（test.py的所有代碼以及Cpython解譯器的所有代碼）例如：test.py定義一個函數work（代碼內容如），在進程內所有線程都能訪問到work的代碼，於是我們可以開啟三個線程然後target都指向該代碼，能訪問到意味著就是可以執行。#2 所有線程的任務，都需要將任務的代碼當做參數傳給解譯器的代碼去執行，即所有的線程要想運行自己的任務，首先需要解決的是能夠訪問到解譯器的代碼。

 

綜上：

如果多個線程的target=work，那麼執行流程是

多個線程先訪問到解譯器的代碼，即拿到執行許可權，然後將target的代碼交給解譯器的代碼去執行

解譯器的代碼是所有線程共用的，所以記憶體回收線程也可能訪問到解譯器的代碼而去執行，這就導致了一個問題:對於同一個資料100，可能線程1執行x=100的同時，而記憶體回收執行的是回收100的操作，解決這種問題沒有什麼高明的方法，就是加鎖處理，如的GIL，保證python解譯器同一時間只能執行一個任務的代碼

三 GIL與Lock

GIL保護的是解譯器級的資料，保護使用者自己的資料則需要自己加鎖處理，如

四 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行

聽到這裡，有的同學立馬質問：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勢，也就是說python沒用了，php才是最牛逼的語言？

別著急啊，老娘還沒講完呢。

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並行完成計算，所以多核提升的是計算效能#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操作沒什麼用處 

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

如果你的工廠乾的大多數任務都要有準備原材料的過程（I/O密集型），那麼你有再多的工人，意義也不大，還不如一個人，在等材料的過程中讓工人去幹別的活，

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

 

結論：

　　對計算來說，cpu越多越好，但是對於I/O來說，再多的cpu也沒用

　　當然對運行一個程式來說，隨著cpu的增多執行效率肯定會有所提高（不管提高幅度多大，總會有所提高），這是因為一個程式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式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

#分析：我們有四個任務需要處理，處理方式肯定是要玩出並發的效果，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，分析結果: 　　如果四個任務是計算密集型，沒有多核來並行計算，方案一徒增了建立進程的開銷，方案二勝　　如果四個任務是I/O密集型，方案一建立進程的開銷大，且進程的切換速度遠不如線程，方案二勝#多核情況下，分析結果：　　如果四個任務是計算密集型，多核意味著並行計算，在python中一個進程中同一時刻只有一個線程執行用不上多核，方案一勝　　如果四個任務是I/O密集型，再多的核也解決不了I/O問題，方案二勝 #結論：現在的電腦基本上都是多核，python對於計算密集型的任務開多線程的效率並不能帶來多大效能上的提升，甚至不如串列(沒有大量切換)，但是，對於IO密集型的任務效率還是有顯著提升的。

五 多線程效能測試

from multiprocessing import Processfrom threading import Threadimport os,timedef work():    res=0    for i in range(100000000):        res*=iif __name__ == ‘__main__‘:    l=[]    print(os.cpu_count()) #本機為4核    start=time.time()    for i in range(4):        p=Process(target=work) #耗時5s多        p=Thread(target=work) #耗時18s多        l.append(p)        p.start()    for p in l:        p.join()    stop=time.time()    print(‘run time is %s‘ %(stop-start))

計算密集型：多進程效率高

from multiprocessing import Processfrom threading import Threadimport threadingimport os,timedef work():    time.sleep(2)    print(‘===>‘)if __name__ == ‘__main__‘:    l=[]    print(os.cpu_count()) #本機為4核    start=time.time()    for i in range(400):        # p=Process(target=work) #耗時12s多,大部分時間耗費在建立進程上        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))

I/O密集型：多線程效率高

應用：

多線程用於IO密集型，如socket，爬蟲，web
多進程用於計算密集型，如金融分析

 

Python GIL(Global Interpreter Lock)