GIL全局解释器锁

GIL介绍

GIL本质就是一把互斥锁，既然是互斥锁，所有互斥锁的本质都一样，都是将并发运行变成串行，以此来控制同一时间内共享数据只能被一个任务所修改，进而保证数据安全

如果多个线程的target=work，那么执行流程是：
多个线程先访问到解释器的代码，即拿到执行权限，然后将target的代码交给解释器的代码去执行

解释器的代码是所有线程共享的，所以垃圾回收线程也可能访问到解释器的代码而去执行，这就导致了一个问题:对于同一个数据100，可能线程1执行x=100的同时，而垃圾回收执行的是回收100的操作，解决这种问题没有什么高明的方法，就是加锁处理，如下图的GIL，保证python解释器同一时间只能执行一个任务的代码

GIL与Lock

GIL 与Lock是两把锁，保护的数据不一样，前者是解释器级别的（当然保护的就是解释器级别的数据，比如垃圾回收的数据），后者是保护用户自己开发的应用程序的数据，很明显GIL不负责这件事，只能用户自定义加锁处理，即Lock，如下图

分析：

1、100个线程去抢GIL锁，即抢执行权限
2、肯定有一个线程先抢到GIL（暂且称为线程1），然后开始执行，一旦执行就会拿到lock.acquire()
3、极有可能线程1还未运行完毕，就有另外一个线程2抢到GIL，然后开始运行，但线程2发现互斥锁lock还未被线程1释放，于是阻塞，被迫交出执行权限，即释放GIL
4、直到线程1重新抢到GIL，开始从上次暂停的位置继续执行，直到正常释放互斥锁lock，然后其他的线程再重复2 3 4的过程

示例代码：

#!/usr/bin/env python3
# -*- coding:utf-8 -*-

from threading import Thread,Lock
import os,time

n = 100
def work():
    global n
    Lock.acquire()
    temp = n
    time.sleep(1)
    n = temp -1
    Lock.release()

if __name__ == '__main__':
    Lock = Lock()
    l = []
    for i in range(100):
        t = Thread(target=work)
        l.append(t)
        t.start()
    for i in l:
        i.join()
    print(n) #结果肯定为0，由原来的并发执行变成串行，牺牲了执行效率保证了数据安全，不加锁则结果可能为99

GIL与多线程

有了GIL的存在，同一时刻同一进程中只有一个线程被执行

1、对计算来说，cpu越多越好，但是对于I/O来说，再多的cpu也没用
2、当然对运行一个程序来说，随着cpu的增多执行效率肯定会有所提高（不管提高幅度多大，总会有所提高），这是因为一个程序基本上不会是纯计算或者纯I/O，所以我们只能相对的去看一个程序到底是计算密集型还是I/O密集型，从而进一步分析python的多线程到底有无用武之地

假设我们有四个任务需要处理，处理方式肯定是要玩出并发的效果，解决方案可以是：

方案一：开启四个进程
方案二：一个进程下，开启四个线程

单核情况下，分析结果:

如果四个任务是计算密集型，没有多核来并行计算，方案一徒增了创建进程的开销，方案二胜
如果四个任务是I/O密集型，方案一创建进程的开销大，且进程的切换速度远不如线程，方案二胜

多核情况下，分析结果：

如果四个任务是计算密集型，多核意味着并行计算，在python中一个进程中同一时刻只有一个线程执行用不上多核，方案一胜
如果四个任务是I/O密集型，再多的核也解决不了I/O问题，方案二胜

多线程性能测试

如果并发的多个任务是计算密集型：多进程效率高

# 计算密集型：用多进程
from multiprocessing import Process
from threading import Thread
import os,time
def work():
     res=0
     for i in range(100000000):
         res*=i

if __name__ == '__main__':
     l=[]
     # print(os.cpu_count()) #本机为8核
     start=time.time()
     for i in range(8):
         p=Process(target=work) #耗时23.493834257125854
         # p=Thread(target=work) #耗时46.50895023345947
         l.append(p)
         p.start()
     for p in l:
         p.join()
     stop=time.time()
     print('run time is %s' %(stop-start))

如果并发的多个任务是I/O密集型：多线程效率高

# IO密集型：用多线程
from multiprocessing import Process
from threading import Thread
import os,time

def work():
    time.sleep(2)
    print('=====>')

if __name__ == '__main__':
    l = []
    print(os.cpu_count())
    start = time.time()
    for i in range(400):
        # p = Process(target=work)# 26.513117790222168
        p = Thread(target=work)# 2.0516674518585205
        l.append(p)
        p.start()
    for i in l:
        i.join()
    stop = time.time()
    print('run is time %s'%(stop-start))

应用：

多线程用于IO密集型，如socket，爬虫，web
多进程用于计算密集型，如金融分析