【声明】本博客所有内容均为个人业余时间创作，所述技术案例均来自公开开源项目（如Github，Apache基金会），不涉及任何企业机密或未公开技术，如有侵权请联系删除
背景
上篇 blog
【Ubuntu】【Gitlab】拉出内网 Web 服务：http.server 单/多线程分析（七）
分析了如果 Python 给每个对象单独加锁的代价，下面继续
Python http.server 单/多线程分析
上篇 blog 分析了，Python 作为解释型语言，操作频繁（一条语义简单的语句，在 CPython 解释器眼中叫字节码，背后可能包含数十，甚至上百条 C 指令），频繁地加解锁也会导致性能严重下降
此外，还有另一个角度，对象模型来看，Python 对象是高度动态的：
- 任何对象都可能被任意线程修改
- 属性可以随时添加或者删除
__setattr__，__getattribute__等对象属性访问方法，也可能触发任意代码（用户可以重写这些方法，在里面加入自己的逻辑）
因此无法像 C 那样知道什么时候可以批量加锁来做优化 ，如果给每个对象加锁，就必须在每一次属性访问，方法调用，容器修改时加锁，因为解释器无法静态推断这段代码是否线程安全
而在 C 语言中，首先数据结构是静态的（内存布局在编译期就可以确定），程序员明确知道哪些数据是共享的，锁的粒度由程序员控制（粒度一般大于字段，对某个过程上锁）
所以综合两个特点操作频繁 + 无法优化 ，一个 Python 进程想要在底层 CPython 解释器做到能并行执行的效果很难，性能会受到严重影响 ，而且大多数情况下，用户根本不用多线程，单线程才是常见情况，所以 GIL 锁就够了（处理 IO 密集型任务）
https://docs.python.org/3/library/threading.html
在 Python 中，threading 实现的是并发（通过 OS 线程切换，配合 GIL 锁占用释放），其另外一个功能 multiprocessing 可以实现并行（让多个进程跑在不同核心）
OK，这里引出 Python 另一个功能，多进程 multiprocessing
multiprocessing 可以绕过 GIL 锁，这是它与 threading 最根本的区别之一，multiprocessing 会创建独立的进程，每个子进程都有：Python 解释器实例，独立的内存空间，独立的 GIL ，因此多个 Python 进程可以真正并行运行在多个 CPU 核心上，彼此不受 GIL 限制
OK，既然 Python 其实是支持使用 CPU 多核心的，那么能不能通过这种方法来实现 http.server 的高并发呢？理论上可以，但实际上没必要
首先，用 multiprocessing 可以启动多个 http.server 实例，但不能让它们都监听同一个端口，因为操作系统不允许两个或多个进程同时监听同一个端口，这是操作系统层面的限制：
- 当 Python 程序调用
socket.bind(('', 2025))，内核会将(ip，port)标记为已被占用 - 此时第二个进程如果也尝试绑定同一个
(ip，port)时，会收到错误码OSError: [Errno 98] Address already in use
这是为了避免数据包不知道该交给哪个进程处理，注意，这不是 Python 的限制，而是 TCP/IP 协议栈的设计
那么此时还是得配合前端 Nginx 反向代理，比如后端启用多个实例
bash
python server.py 2025 &
python server.py 2026 &
python server.py 2027 &然后前端 Nginx 监听端口 2024 ，用户访问 Web 服务器的 2024 端口，Nginx 再通过负载均衡，将流量通过端口（2025，2026，2027）路由到后端的 Python 进程
→ Python 进程 A (:8001)
→ Python 进程 B (:8002)
→ Python 进程 C (:8003)
可以看到，即使启动了多进程，最后还是逃不过 Nginx
OK，本篇先到这里，如有疑问，欢迎评论区留言讨论，祝各位功力大涨，技术更上一层楼！！！更多内容见下篇 blog
【Ubuntu】【Gitlab】拉出内网 Web 服务：Gitlab 配置审视（一）