小編寫這篇文章的一個(gè)主要目的，主要是來給大家做個(gè)解答，解答的內(nèi)容主要是涉及到的內(nèi)容有Python解析器的一些相關(guān)介紹，介紹的內(nèi)容主要是Cpython的GIL解釋器解鎖相關(guān)機(jī)制的一些介紹。具體的內(nèi)容，下面就給大家詳細(xì)解答下。

　　本節(jié)重點(diǎn)

　　掌握Cpython的GIL解釋器鎖的工作機(jī)制

　　掌握GIL與互斥鎖

　　掌握Cpython下多線程與多進(jìn)程各自的應(yīng)用場景

　　本節(jié)時(shí)長需控制在45分鐘內(nèi)

　　一引子

　　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(jié)論：在Cpython解釋器中，同一個(gè)進(jìn)程下開啟的多線程，同一時(shí)刻只能有一個(gè)線程執(zhí)行，無法利用多核優(yōu)勢

　　首先需要明確的一點(diǎn)是GIL并不是Python的特性，它是在實(shí)現(xiàn)Python解析器(CPython)時(shí)所引入的一個(gè)概念。就好比C++是一套語言（語法）標(biāo)準(zhǔn)，但是可以用不同的編譯器來編譯成可執(zhí)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(zhí)行環(huán)境來執(zhí)行。

　　像其中的JPython就沒有GIL。然而因?yàn)镃Python是大部分環(huán)境下默認(rèn)的Python執(zhí)行環(huán)境。

　　所以在很多人的概念里CPython就是Python，也就想當(dāng)然的把GIL歸結(jié)為Python語言的缺陷。

　　所以這里要先明確一點(diǎn)：GIL并不是Python的特性，Python完全可以不依賴于GIL

　　二GIL介紹

　　GIL本質(zhì)就是一把互斥鎖，既然是互斥鎖，所有互斥鎖的本質(zhì)都一樣，都是將并發(fā)運(yùn)行變成串行，以此來控制同一時(shí)間內(nèi)共享數(shù)據(jù)只能被一個(gè)任務(wù)所修改，進(jìn)而保證數(shù)據(jù)安全。

　　可以肯定的一點(diǎn)是：保護(hù)不同的數(shù)據(jù)的安全，就應(yīng)該加不同的鎖。

　　要想了解GIL，首先確定一點(diǎn)：每次執(zhí)行python程序，都會產(chǎn)生一個(gè)獨(dú)立的進(jìn)程。例如python test.py，python aaa.py，python bbb.py會產(chǎn)生3個(gè)不同的python進(jìn)程

　　驗(yàn)證python test.py只會產(chǎn)生一個(gè)進(jìn)程

　　#test.py內(nèi)容
　　import os,time
　　print(os.getpid())
　　time.sleep(1000)
　　#打開終端執(zhí)行
　　python3 test.py
　　#在windows下查看
　　tasklist|findstr python

　　#在linux下下查看

　　ps aux|grep python

　　在一個(gè)python的進(jìn)程內(nèi)，不僅有test.py的主線程或者由該主線程開啟的其他線程，還有解釋器開啟的垃圾回收等解釋器級別的線程，總之，所有線程都運(yùn)行在這一個(gè)進(jìn)程內(nèi)，毫無疑問

　　1、所有數(shù)據(jù)都是共享的，這其中，代碼作為一種數(shù)據(jù)也是被所有線程共享的（test.py的所有代碼以及Cpython解釋器的所有代碼）

　　例如：test.py定義一個(gè)函數(shù)work（代碼內(nèi)容如下圖），在進(jìn)程內(nèi)所有線程都能訪問到work的代碼，于是我們可以開啟三個(gè)線程然后target都指向該代碼，能訪問到意味著就是可以執(zhí)行。

　　2、所有線程的任務(wù)，都需要將任務(wù)的代碼當(dāng)做參數(shù)傳給解釋器的代碼去執(zhí)行，即所有的線程要想運(yùn)行自己的任務(wù)，首先需要解決的是能夠訪問到解釋器的代碼。

　　綜上：

　　如果多個(gè)線程的target=work，那么執(zhí)行流程是

　　多個(gè)線程先訪問到解釋器的代碼，即拿到執(zhí)行權(quán)限，然后將target的代碼交給解釋器的代碼去執(zhí)行

　　解釋器的代碼是所有線程共享的，所以垃圾回收線程也可能訪問到解釋器的代碼而去執(zhí)行，這就導(dǎo)致了一個(gè)問題:對于同一個(gè)數(shù)據(jù)100，可能線程1執(zhí)行x=100的同時(shí)，而垃圾回收執(zhí)行的是回收100的操作，解決這種問題沒有什么高明的方法，就是加鎖處理，如下圖的GIL，保證python解釋器同一時(shí)間只能執(zhí)行一個(gè)任務(wù)的代碼

　　三GIL與Lock

　　機(jī)智的同學(xué)可能會問到這個(gè)問題：Python已經(jīng)有一個(gè)GIL來保證同一時(shí)間只能有一個(gè)線程來執(zhí)行了，為什么這里還需要lock?

　　首先，我們需要達(dá)成共識：鎖的目的是為了保護(hù)共享的數(shù)據(jù)，同一時(shí)間只能有一個(gè)線程來修改共享的數(shù)據(jù)

　　然后，我們可以得出結(jié)論：保護(hù)不同的數(shù)據(jù)就應(yīng)該加不同的鎖。

　　最后，問題就很明朗了，GIL與Lock是兩把鎖，保護(hù)的數(shù)據(jù)不一樣，前者是解釋器級別的（當(dāng)然保護(hù)的就是解釋器級別的數(shù)據(jù)，比如垃圾回收的數(shù)據(jù)），后者是保護(hù)用戶自己開發(fā)的應(yīng)用程序的數(shù)據(jù)，很明顯GIL不負(fù)責(zé)這件事，只能用戶自定義加鎖處理，即Lock，如下圖

　　分析：

　　1、100個(gè)線程去搶GIL鎖，即搶執(zhí)行權(quán)限

　　2、肯定有一個(gè)線程先搶到GIL（暫且稱為線程1），然后開始執(zhí)行，一旦執(zhí)行就會拿到lock.acquire()

　　3、極有可能線程1還未運(yùn)行完畢，就有另外一個(gè)線程2搶到GIL，然后開始運(yùn)行，但線程2發(fā)現(xiàn)互斥鎖lock還未被線程1釋放，于是阻塞，被迫交出執(zhí)行權(quán)限，即釋放GIL

　　4、直到線程1重新?lián)尩紾IL，開始從上次暫停的位置繼續(xù)執(zhí)行，直到正常釋放互斥鎖lock，然后其他的線程再重復(fù)2 3 4的過程

　　代碼示范

　　from threading import Thread,Lock
　　import os,time
　　def work():
　　global n
　　lock.acquire()
　　temp=n
　　time.sleep(0.1)
　　n=temp-1
　　lock.release()
　　if __name__=='__main__':
　　lock=Lock()
　　n=100
　　l=[]
　　for i in range(100):
　　p=Thread(target=work)
　　l.append(p)
　　p.start()
　　for p in l:
　　p.join()
　　print(n)#結(jié)果肯定為0，由原來的并發(fā)執(zhí)行變成串行，犧牲了執(zhí)行效率保證了數(shù)據(jù)安全，不加鎖則結(jié)果可能為99

　　四GIL與多線程

　　有了GIL的存在，同一時(shí)刻同一進(jìn)程中只有一個(gè)線程被執(zhí)行

　　聽到這里，有的同學(xué)立馬質(zhì)問：進(jìn)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(yōu)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(gè)問題，我們需要在幾個(gè)點(diǎn)上達(dá)成一致：

　　1、cpu到底是用來做計(jì)算的，還是用來做I/O的？

　　2、多cpu，意味著可以有多個(gè)核并行完成計(jì)算，所以多核提升的是計(jì)算性能

　　3、每個(gè)cpu一旦遇到I/O阻塞，仍然需要等待，所以多核對I/O操作沒什么用處

　　一個(gè)工人相當(dāng)于cpu，此時(shí)計(jì)算相當(dāng)于工人在干活，I/O阻塞相當(dāng)于為工人干活提供所需原材料的過程，工人干活的過程中如果沒有原材料了，則工人干活的過程需要停止，直到等待原材料的到來。

　　如果你的工廠干的大多數(shù)任務(wù)都要有準(zhǔn)備原材料的過程（I/O密集型），那么你有再多的工人，意義也不大，還不如一個(gè)人，在等材料的過程中讓工人去干別的活，

　　反過來講，如果你的工廠原材料都齊全，那當(dāng)然是工人越多，效率越高

　　結(jié)論：

　　1、對計(jì)算來說，cpu越多越好，但是對于I/O來說，再多的cpu也沒用

　　2、當(dāng)然對運(yùn)行一個(gè)程序來說，隨著cpu的增多執(zhí)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?yàn)橐粋€(gè)程序基本上不會是純計(jì)算或者純I/O，所以我們只能相對的去看一個(gè)程序到底是計(jì)算密集型還是I/O密集型，從而進(jìn)一步分析python的多線程到底有無用武之地

　　假設(shè)我們有四個(gè)任務(wù)需要處理，處理方式肯定是要玩出并發(fā)的效果，解決方案可以是：

　　方案一：開啟四個(gè)進(jìn)程

　　方案二：一個(gè)進(jìn)程下，開啟四個(gè)線程

　　單核情況下，分析結(jié)果:

　　如果四個(gè)任務(wù)是計(jì)算密集型，沒有多核來并行計(jì)算，方案一徒增了創(chuàng)建進(jìn)程的開銷，方案二勝

　　如果四個(gè)任務(wù)是I/O密集型，方案一創(chuàng)建進(jìn)程的開銷大，且進(jìn)程的切換速度遠(yuǎn)不如線程，方案二勝

　　多核情況下，分析結(jié)果：

　　如果四個(gè)任務(wù)是計(jì)算密集型，多核意味著并行計(jì)算，在python中一個(gè)進(jìn)程中同一時(shí)刻只有一個(gè)線程執(zhí)行用不上多核，方案一勝

　　如果四個(gè)任務(wù)是I/O密集型，再多的核也解決不了I/O問題，方案二勝

　　結(jié)論：

　　現(xiàn)在的計(jì)算機(jī)基本上都是多核，python對于計(jì)算密集型的任務(wù)開多線程的效率并不能帶來多大性能上的提升，甚至不如串行(沒有大量切換)，但是，對于IO密集型的任務(wù)效率還是有顯著提升的。

　　五多線程性能測試

　　如果并發(fā)的多個(gè)任務(wù)是計(jì)算密集型：多進(jìn)程效率高

　　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())#本機(jī)為4核
　　start=time.time()
　　for i in range(4):
　　p=Process(target=work)#耗時(shí)5s多
　　p=Thread(target=work)#耗時(shí)18s多
　　l.append(p)
　　p.start()
　　for p in l:
　　p.join()
　　stop=time.time()
　　print('run time is%s'%(stop-start))
　　如果并發(fā)的多個(gè)任務(wù)是I/O密集型：多線程效率高
　　from multiprocessing import Process
　　from threading import Thread
　　import threading
　　import os,time
　　def work():
　　time.sleep(2)
　　print('===>')
　　if __name__=='__main__':
　　l=[]
　　print(os.cpu_count())#本機(jī)為4核
　　start=time.time()
　　for i in range(400):
　　#p=Process(target=work)#耗時(shí)12s多,大部分時(shí)間耗費(fèi)在創(chuàng)建進(jìn)程上
　　p=Thread(target=work)#耗時(shí)2s多
　　l.append(p)
　　p.start()
　　for p in l:
　　p.join()
　　stop=time.time()
　　print('run time is%s'%(stop-start))

　　應(yīng)用：

　　多線程用于IO密集型，如socket，爬蟲，web

　　多進(jìn)程用于計(jì)算密集型，如金融分析

　　綜上所述，上述內(nèi)容就給大家介紹完畢，希望可以給大家?guī)硪欢ǖ膸椭?/p>