既然python的多线程是"伪多线程"，那么多线程访问共享资源的时候，还需要线程锁吗

 

最近处理的大多数任务都是基于python的多线程实现的，然而使用python逃避不开的一个话题就是，python的GIL（的全称是 Global Interpreter Lock）全局解释器锁是单线程的，那么是不是意味着python的多线程也是串行的？多线程对共享资源的使用就不需要锁（线程锁）了？

笔者一开始也是这么误解：
既然python解释器的锁是单线程的===》那么经过解释器生成的线程，是轮训执行的（相当于单线程）===》然后推断出线程访问共享资源的时候不需要加线程锁？
既然不需要加线程锁，那么python为什么会存在线程锁？这明显是一个矛盾的问题，以上推论纯属YY，上述结论是不正确的。

其实上述推断从第二步就开始错误了，其实某些时候，看似合理的推断，是完成不成立的。
先做个小demo看一下效果，下面代码很简单，线程方法内部轮训设置全局变量递增，然后其多个线程调用该方法，线程方法在操作全局变量的时候暂时不使用线程锁

#! /usr/bin/python
# -*- coding: utf-8 -*-
from threading import Thread,Lock

g_var = 0
lock = Lock()


def thread_tasks():
   for i in range(100000):
       global g_var
       #lock.acquire()
       g_var = g_var+1
       #lock.release()


if __name__ == "__main__":

    t_list = []
    for i in range(100):
        t = Thread(target=thread_tasks, args=[])
        t_list.append(t)
    for t in t_list:
        t.setDaemon(True)
        t.start()
    for t in t_list:
        t.join()

    print('thread execute finish')
    print('global variable g_var is ' + str(g_var))

理论上出来的结果，最终全局变量的结果就是线程数*每个线程循环的次数，这里线程数是100，线程方法内部循环100000次，最终的结果“理论上”是10,000,000。
能动手的绝对不动嘴，实际执行下来发现并不是这样的，甚至会出现各种意料之外的答案，原因何在？

这篇《也许你对 Python GIL 锁的理解是 错的》文章提到这个问题，理论上也比较简单

然后再加上线程锁，看看效果（需要注意的是：开启线程锁之后，不应该无脑开启太多的线程，因为这个线程锁会导致线程之间严重争用问题）

关于python的多线程无法对CPU使用充分的问题，笔者是12核的机器，在跑上述代码的时候，CPU使用情况如下，鉴于对python了解的不够深入，不知道怎么解释这种“python单位时间内只能使用同一个CPU”的问题

 

 

关于python多线程使用，根据笔者的测试总结，也有一些思考

1，如果是远程任务，就好比上述代码thread_tasks中执行的是一个远程服务（比如远程数据库访问什么的），完全可以达到“并发”的效果，因为本地CPU仅负责启动线程，线程在远程服务端一样可以做到并发效果，比如多线程压测远程访问数据库的时候，一样可以打爆远程数据库服务器的CPU。
2，如果本地任务，且本地任务属于非CPU密集型任务，比如IO操作，或者网络读写等等，多线程一样可以达到并发效果，因为瓶颈并不在CPU使用上（整体效率不是增加CPU的使用就可以提升的）
3，如果本地任务，且本地任务属于CPU密集型任务，此时python的多线程是无法发挥其功效的（多进程不香么，此时可以考虑多进程并发）。

 

关于python的多进程并发模型，也非常简单，相比线程锁，进程之间的通讯，一个内置的queue就完事了，如下是模拟多进程并法实现上述计算。

from multiprocessing import Process, Pool, Queue
from threading import Thread, Lock
import time
import progressbar
import math

g_var = 0
lock = Lock()


def thread_tasks(q):
    for _ in range(100000):
        q.put(1)


def consumer_q(q):
    global g_var
    p = progressbar.ProgressBar()
    p.start()
    while True:
        var = q.get(True)
        g_var = g_var + var
        try:
            p.update(int((g_var / (100 * 100000 - 1)) * 100))
        except Exception as ex:
            pass
    p.finish()


if __name__ == "__main__":

    q = Queue()
    p_list = []

    p_consumer = Process(target=consumer_q, args=[q, ])
    p_consumer.start()
    for i in range(50):
        p = Process(target=thread_tasks, args=[q, ])
        p_list.append(p)
    for p in p_list:
        p.start()
    for p in p_list:
        p.join()

    time.sleep(1)
    print('\n sub_process execute finish')
    p_consumer.terminate()

 

这里非常客观地评价了python的多进程和多线程并发对比：https://www.cnblogs.com/massquantity/p/10357898.html

 
http://c.biancheng.net/view/5537.html