Python3 从零单排26_GIL全局解释器锁

先了解下CPU的简单运行原理：

　　它运行速度非常快，1s内可以运行成千上万次，一个核心可以把1s切分成成千上万个时间片段，这个核心确实同时只能运行一个任务；但是可以将多个任务交替执行，比如上一个时间片段内运行A任务，下个时间片段可以运行B任务，交替执行，因为时间片段很短，所以感觉就是同时在进行了。

　　再了解下单线程和多线程的区别：

　　先看下单进程，顾名思义，就是一条进程，类似于单向公路上只有一条车道，每次只能过一辆车，多进程则表示多个车道，可以同时过多辆车；那么单线程和多线程意义严格上来说不是进程这样的理解，因为进程内的线程同一时间点只能运行一个，不存在同时进行，CPU给我们的感觉的同时进行，只是它运行的非常快，交替执行多个线程差别可能是毫秒、微秒的区别，所以感觉不到差别，他们在同时进行。

　　接着就产生了单线程和多线程的疑惑：

　　既然上述说了，多线程并不是多个线程并发在同一时间点运行，而是CPU有计划的交替执行各个多线程，那多线程的优势在哪里？比如python里，从上运行到下调用多次同一个函数是个单线程，和把几次调用函数写成多线程，依据上述理论，这里的CPU运行时间并没有变快啊，因为多线程不能并发运行，也是一个个线程类交替执行完成啊，甚至多线程可能更慢，因为它还要花时间去管理交替执行任务上，不要怀疑，事实上就是如此，那么我们使用多线程的意义在哪里？

　　这里需要了解下GIL：

　　Python是解释型语言，那么它在运行的时候就需要解释器了，简单描述下GIL，即global interpreter lock，全局解释器锁，就是python在运行的时候会锁定解释器，就是说在运行的时候只能是一个线程，锁死了，切换不了；每个线程在运行之前都要申请GIL，那么就必须要等上一个线程释放这把锁你才可以申请到，然后执行代码，执行完后，你再交给下一个线程，让它去执行代码，过程如下：

　　设置GIL -> 切换到一个线程去执行 -> 运行 -> 把线程设置为睡眠状态 -> 解锁GIL

　　然后再次重复以上步骤。

　　IO密集型任务多线程比单线程要快太多：

　　貌似多线程比单线程还要耗CPU，而且运行速度又没变快，甚至更慢，这是相对于计算密集型任务(要进行大量的计算，消耗CPU资源，比如计算圆周率、对视频进行高清解码等等，全靠CPU的运算能力)来说的，像这类计算密集型任务由于主要消耗CPU资源，python用多线程效率不会提高，甚至是会更慢，原理见上述GIL；

　　还有一种IO密集型任务，涉及到网络、磁盘IO的任务都是IO密集型任务，这类任务的特点是CPU消耗很少，任务的大部分时间都在等待IO操作完成（因为IO的速度远远低于CPU和内存的速度），99%的时间都花在IO上，花在CPU上的时间很少；

　　原谅我不自觉的想到了爬虫，爬虫是典型的IO密集型任务，多线程的发送请求情况下：发送一个请求到收到服务器的响应数据取决于网络的快慢，那么发送一个请求之后就是等待服务器的响应了，期间会释放GIL锁，其他线程就可以申请到这把锁，进行发送请求了，重复上述操作直到最后一个请求，那么就等同于非常短的时间内，CPU发送了多个请求，接下来就是等待服务器的响应；那么如果是单线程呢？它发送一个请求后就在那里等着服务器响应，直到服务器有返回数据到客户端后，才会释放GIL锁，接着继续下一个请求，只能是一个个的排队，直到最后一个执行完，显而易见，这里的线程相当并发请求了，比单线程要快的多。

 

　　综上所述：

　　在处理计算密集型任务时，python的多线程劣与单线程，性能表现比单线程要差；

　　在处理IO密集型任务时，python的多线程优与单线程，性能表现比单线程要好太多；

　　我们来看下例子

# 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8s多
        p=Thread(target=work) #耗时37s多
        l.append(p)
        p.start()
    for p in l:
        p.join()
    stop=time.time()
    print('run time is %s' %(stop-start))


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

def work():
    time.sleep(2)

if __name__ == '__main__':
    l=[]
    # print(os.cpu_count()) #本机为4核
    start=time.time()
    for i in range(400):
        # p=Process(target=work) #耗时2.697多,大部分时间耗费在创建进程上
        p=Thread(target=work) #耗时2.02多
        l.append(p)
        p.start()
    for p in l:
        p.join()
    stop=time.time()
    print('run time is %s' %(stop-start))