Python中大的一把锁

今天可以来讲解下GIL是个什么了。

GIL为什么是Python中大的一把锁？

GIL是Global Interpreter Lock的缩写，翻译过来就是全局解释器锁。

从字面上去理解，它就是锁在解释器头上的一把锁，它使Python代码运行变得有序。

假如有一段代码：

复制代码

print(1)print(2)print(3)print(4)print(5)print(6)

运行之后，

复制代码

GIL通过确保在任何给定时间只运行一个线程来防止竞争条件

❝
GIL确保在任何给定时间只有一个线程在运行。
因此，不可能利用具有线程的多个处理器。
❞
❝
由于CPython的内存管理不是线程安全的，GIL可以防止竞争条件并确保线程安全。
❞

突破GIL的封锁

更换解释器

Python有多个解释器实现。分别用C、Java、C#和Python编写的CPython、Jython、IronPython和PyPy是受欢迎的。

GIL 仅存在于CPython的原始Python实现中。

❝
那为什么不直接使用别的解释器为主要开发用呢？
因为CPython的库为丰富。
如果别的解释器有支持你代码中的模块，那是可以直接移植过去使用的。
像Jython至今还没有推出Python3，只停留在Python2时代。
❞

用多进程替代多线程

我将用三段代码（单线程、多线程、多进程）解决一个问题（把50000000通过n-=1减至0）。

通过对比他们运行的所花费的时间，看哪段代码效率高。

「单线程」

复制代码

import timenum = 50000000def countdown(n):    while n>0:        n -= 1start = time.time()countdown(num)end = time.time()print('花费时间 -', end - start)

运行结果：

复制代码

花费时间 - 3.7478301525115967

「多线程」

复制代码

import timefrom threading import Threadnum = 50000000def countdown(n):    while n>0:        n -= 1t1 = Thread(target=countdown, args=[num//2])t2 = Thread(target=countdown, args=[num//2])start = time.time()t1.start()t2.start()t1.join()t2.join()end = time.time()print('花费时间 -', end - start)

运行结果：

复制代码

花费时间 - 4.2221999168396

「多进程」

复制代码

from multiprocessing import Poolimport timenum = 50000000def countdown(n):    while n>0:        n -= 1if __name__ == '__main__':    pool = Pool(processes=2)    start = time.time()    r1 = pool.apply_async(countdown, [num//2])    r2 = pool.apply_async(countdown, [num//2])    pool.close()    pool.join()    end = time.time()    print('花费时间 -', end - start)

运行结果：

复制代码

花费时间 - 2.307600975036621

对于**「计算密集型任务」**，Python的多线程比单线程还慢，

这是由于线程的创建和销毁都要消耗资源（进程消耗资源更大）。

「对比单线程和多线程就能感受到GIL这个枷锁的束缚力了。」

用了多进程后，运行速度一下子从3.73缩短到2.30秒，证明多进程还是能突破GIL的封锁的。

❝
多进程底层是开了多个解释器去运行代码，一个进程一把GIL。
❞