GIL面试题如下
描述Python GIL的概念， 以及它对python多线程的影响？编写一个多线程抓取网页的程序，并阐明多线程抓取程序是否可比单线程性能有提升，并解释原因。
Guido的声明：http://www.artima.com/forums/flat.jsp?forum=106&thread=214235
he language doesn't require the GIL -- it's only the CPython virtual machine that has historically been unable to shed it.
参考答案:
- Python语言和GIL没有半毛钱关系。仅仅是由于历史原因在Cpython虚拟机(解释器)，难以移除GIL。
- GIL：全局解释器锁。每个线程在执行的过程都需要先获取GIL，保证同一时刻只有一个线程可以执行代码。
- 线程释放GIL锁的情况： 在IO操作等可能会引起阻塞的system call之前,可以暂时释放GIL,但在执行完毕后,必须重新获取GIL Python 3.x使用计时器（执行时间达到阈值后，当前线程释放GIL）或Python 2.x，tickets计数达到100
- Python使用多进程是可以利用多核的CPU资源的。
- 多线程爬取比单线程性能有提升，因为遇到IO阻塞会自动释放GIL锁
因为GIL的原因，导致python的多线程并不是真正的多线程，一次只能执行一个线程。但是开启多线程也比单线程要好。因此如果运行的是计算密集型，也就是中间没有延时的，就使用进程。如果是io密集型，也就是读写的话，就可以考虑线程和协程。解决python的GIL问题有两个，一个换解释器，这个问题只有在CPython解释器中存在。第二个方法就是使用C语言编写子线程，然后导入进Python程序中。
深拷贝、浅拷贝
1. 浅拷贝
- 浅拷贝是对于一个对象的顶层拷贝
通俗的理解是：拷贝了引用，并没有拷贝内容
2. 深拷贝
- 深拷贝是对于一个对象所有层次的拷贝(递归)
进一步理解深拷贝
如果copy.copy拷贝的是元组，那么它不会进行浅拷贝，而仅仅是指向。
原因：元组是不可变类型，那么意味着数据一定不能进行修改，因此用copy.copy的时候它会进行自动判断，如果是元组它就是指向了它。
如果用copy.copy、copy.deepcopy对一个全部都是不可变类型的数据进行拷贝，那么他们结果相同，都是引用指向.。
如果拷贝的是一个拥有可变类型的数据，即使元组是最顶层，那么deepcopy依然是深拷贝，而copy.copy还是指向。
拷贝的其他方式
- 分片表达式可以赋值一个序列
- 字典的copy方法可以拷贝一个字典
注意点
浅拷贝对不可变类型和可变类型的copy不同
- copy.copy对于可变类型，会进行浅拷贝
- copy.copy对于不可变类型，不会拷贝，仅仅是指向
import导入模块
import aa 的过程是首先导入 aa这个模块，然后在当前程序中创建aa这个变量指向这个模块。
1. import 搜索路径
路径搜索
- 从上面列出的目录里依次查找要导入的模块文件
- '' 表示当前路径
- 列表中的路径的先后顺序代表了python解释器在搜索模块时的先后顺序
程序执行时添加新的模块路径
sys.path.append('/home/itcast/xxx')
sys.path.insert(0, '/home/itcast/xxx') # 可以确保先搜索这个路径
In [37]: sys.path.insert(0,"/home/python/xxxx") In [38]: sys.path Out[38]: ['/home/python/xxxx', '', '/usr/bin', '/usr/lib/python35.zip', '/usr/lib/python3.5', '/usr/lib/python3.5/plat-x86_64-linux-gnu', '/usr/lib/python3.5/lib-dynload', '/usr/local/lib/python3.5/dist-packages', '/usr/lib/python3/dist-packages', '/usr/lib/python3/dist-packages/IPython/extensions', '/home/python/.ipython']
2. 重新导入模块
模块被导入后，import module不能重新导入模块，重新导入需用reload
3. 多模块开发时的注意点
# recv_msg.py模块 from common import RECV_DATA_LIST # from common import HANDLE_FLAG import common def recv_msg(): """模拟接收到数据，然后添加到common模块中的列表中""" print("--->recv_msg") for i in range(5): RECV_DATA_LIST.append(i) def test_recv_data(): """测试接收到的数据""" print("--->test_recv_data") print(RECV_DATA_LIST) def recv_msg_next(): """已经处理完成后，再接收另外的其他数据""" print("--->recv_msg_next") # if HANDLE_FLAG: if common.HANDLE_FLAG: print("------发现之前的数据已经处理完成，这里进行接收其他的数据(模拟过程...)----") else: print("------发现之前的数据未处理完，等待中....------")
# handle_msg.py模块 from common import RECV_DATA_LIST # from common import HANDLE_FLAG import common def handle_data(): """模拟处理recv_msg模块接收的数据""" print("--->handle_data") for i in RECV_DATA_LIST: print(i) # 既然处理完成了，那么将变量HANDLE_FLAG设置为True，意味着处理完成 # global HANDLE_FLAG # HANDLE_FLAG = True common.HANDLE_FLAG = True def test_handle_data(): """测试处理是否完成，变量是否设置为True""" print("--->test_handle_data") # if HANDLE_FLAG: if common.HANDLE_FLAG: print("=====已经处理完成====") else: print("=====未处理完成====")
# main.py模块 from recv_msg import * from handle_msg import * def main(): # 1. 接收数据 recv_msg() # 2. 测试是否接收完毕 test_recv_data() # 3. 判断如果处理完成，则接收其它数据 recv_msg_next() # 4. 处理数据 handle_data() # 5. 测试是否处理完毕 test_handle_data() # 6. 判断如果处理完成，则接收其它数据 recv_msg_next() if __name__ == "__main__": main()
以上面的图，如果其他两个模块使用“import common”，那就是都指向同一个模块common；如果使用“from common import HANDLE_FLAG”，那么一开始就是HANDLE_FLAG直接指向common里面的HANDLE_FLAG而已，没有指向common，在后面的“HANDLE_FLAG = True”属于赋值语句，不会改变common里面的HANDLE_FLAG，而是重新创建一个值True，并指向它。（当然如果指向的值是列表list，那么采用".append"时，就可以修改common模块里面的值，但如果还是采用赋值语句就不行，相当于重新开辟一块内存空间了。）
为啥要封装
好处
- 在使用面向过程编程时，当需要对数据处理时，需要考虑用哪个模板中哪个函数来进行操作，但是当用面向对象编程时，因为已经将数据存储到了这个独立的空间中，这个独立的空间（即对象）中通过一个特殊的变量（__class__）能够获取到类（模板），而且这个类中的方法是有一定数量的，与此类无关的将不会出现在本类中，因此需要对数据处理时，可以很快速的定位到需要的方法是谁 这样更方便
- 全局变量是只能有1份的，多很多个函数需要多个备份时，往往需要利用其它的变量来进行储存；而通过封装 会将用来存储数据的这个变量 变为了对象中的一个“全局”变量，只要对象不一样那么这个变量就可以再有1份，所以这样更方便
- 代码划分更清晰