GIL锁，互斥锁
一、GIL锁
1、全局解释器锁（Global Interpreter Lock，简称 GIL）
GIL 是一种用于保护 Python 解释器在多线程环境下的数据完整性的机制。GIL 只存在是 CPython 解释器中，即官方的 Python 解释器实现
GIL 是一个互斥锁，你可以使用多线程来并发处理任务，但在同一时刻只能有一个线程在执行 Python 字节码。
2、存在的背景
GIL 的存在主要是因为 CPython 的内存管理机制（垃圾回收机制，python有一个垃回收线程）并不是线程安全的。
Python 中的对象引用计数机制（reference counting）是一种快速且高效的垃圾回收机制，但它对于多线程环境来说需要保证引用计数的一致性，这就需要 GIL 来确保同一时间只有一个线程能够访问和修改对象的引用计数。
由于 GIL 的存在，导致了 Python 在 CPU 密集型任务上的多线程性能并不理想。因为在这种情况下，即使使用了多个线程，由于 GIL 的限制，多个线程也不能真正并行执行，只能交替执行，因此无法充分利用多核 CPU 的优势。
然而，GIL 在 I/O 密集型任务上的影响较小。当线程执行 I/O 操作（如文件读写、网络请求）时，线程会主动释放 GIL，让其他线程有机会执行，从而提高了并发性能。
需要注意的是，GIL 只存在于 CPython 解释器中。其他一些 Python 解释器实现（如 Jython、IronPython）没有 GIL，它们可以更好地利用多线程并发执行。
GIL 是 Python 解释器中的一种机制，用于保护解释器在多线程环境下的数据一致性。
虽然 GIL 限制了多线程的并行性能，但在 I/O 密集型任务中仍然可以提供一定的并发优势。
如果你需要在 Python 中处理 CPU 密集型任务，并发执行的需求较大，可以考虑使用多进程、异步编程或者使用其他 Python 解释器实现来绕过 GIL 的限制。
案例
创建了5个线程，每个线程都执行一个自增函数，该函数将一个全局计数器 counter 的值自增100万次。
由于 GIL 的限制，这段代码在多线程环境下并不能实现预期的并行效果。最终输出的计数器值通常会小于500万，而不是我们期望的500万（即每个线程自增100万次，共5个线程）。
这是因为 GIL 会确保在任何同一时间内只有一个线程在执行 Python 代码，导致多个线程无法同时访问和修改共享的计数器变量。没有抢到GIL锁的线程就会被释放掉。线程会交替地获取和释放 GIL，导致了部分线程的执行时间被浪费，没有执行。
import threading
import time
# 全局变量
counter = 0
# 自增函数
def increment():
global counter
for i in range(1000000):
counter += 1
# 创建并启动多个线程
threads = []
for i in range(5):
thread = threading.Thread(target=increment)
thread.start()
threads.append(thread)
# 等待所有线程执行完成
for thread in threads:
thread.join()
# 输出最终的计数器值
print("Final counter value:", counter)
# Final counter value: 2301450
二、互斥锁（mutex）
1、互斥锁有进程锁和线程锁
互斥锁可以将并发变成串行，牺牲效率来保证数据的安全性。
线程锁（
Lock）是基于线程的互斥量实现的，而进程锁（Lock）则是基于操作系统提供的进程间通信机制实现的。这意味着线程锁更加轻量级，适用于线程间的同步，而进程锁适用于不同进程之间的同步。线程类中的锁和进程类中的锁在概念上是相似的，但在实现细节上可能有所不同，适用于不同的执行单位（线程或进程）。
from multiprocessing import Process
from multiprocessing import Lock
def task(i, lock):
lock.acquire()
print('第%s个进程来了' % i)
print('第%s个进程走了' % i)
lock.release()
if __name__ == '__main__':
lock = Lock()
for i in range(5):
p = Process(target=task, args=(i, lock)) # 把锁当作位置参数传进去
p.start()
开启进程锁，当一个进程进来后，走了才能有下一个进程进来
互斥锁案例：买票
import json
import time
import random
from multiprocessing import Lock, Process
# 查票
def check_ticket(i):
with open('a.txt', 'r') as f:
dic = json.load(f)
print('用户%s查询余票：%s' % (i, dic.get('ticket_num')))
# 买票
def buy(i):
with open('a.txt', 'r') as f:
dic = json.load(f)
# 模拟网络延迟
time.sleep(random.randint(1, 3))
# 判断当前是否有票
if dic.get('ticket_num') > 0:
# 修改数据库，买票
dic['ticket_num'] -= 1
# 写入数据库
with open('a.txt', 'w') as f1:
json.dump(dic, f1)
print('用户%s买票成功' % i)
else:
print('用户%s买票失败' % i)
def run(i, lock):
check_ticket(i)
# 买票环节加锁处理
lock.acquire()
buy(i)
lock.release()
if __name__ == '__main__':
# 在主进程生成锁
lock = Lock()
# 多进程
for i in range(1, 11):
p = Process(target=run, args=(i, lock))
p.start()
注意：a.txt 中的数据是以json格式存在的 {"ticket_num": 1}
