GIL：并发 Python 中的瓶颈
GIL（全局解释器锁）是 python 中的一种机制，它确保同一时间只有一个线程可以执行字节码。这在保证 Python 解释器的线程安全方面至关重要，但它也限制了多线程程序的并发性，特别是在涉及密集计算的任务时。
GIL 的工作原理
GIL 通过控制对 Python 对象的访问来工作。当一个线程获取 GIL 时，它会阻止所有其他线程访问任何 Python 对象，包括全局和局部变量、类和函数。这确保了 Python 解释器不会因同时操作同一对象而导致竞争条件。
立即学习“Python免费学习笔记（深入）”；
GIL 的影响
GIL 对并发 Python 程序有以下影响：
- 多线程性能差： GIL 限制了多线程程序的并行性，因为只能有一个线程同时执行 Python 代码。这使得对于 CPU 密集型任务，多线程几乎毫无用处。
- 死锁： GIL 可能会导致死锁，因为持有 GIL 的线程可能会等待另一个线程释放一个它持有的锁。
- 增加了开销： GIL 的获取和释放会增加程序的开销，这对于频繁切换线程的程序尤为重要。
克服 GIL 的限制
尽管存在这些限制，但仍有几种策略可以用来克服 GIL 的限制：
1. 多进程：
多进程创建 Python 解释器的多个实例，每个实例都有自己的 GIL。这消除了 GIL 在进程之间的限制，从而允许真正的并行处理。然而，使用多进程需要小心处理数据共享和进程间通信。
代码示例：
import multiprocessing def worker(num): # 执行密集计算任务 return num * num if __name__ == "__main__": pool = multiprocessing.Pool(4)# 创建具有 4 个进程的进程池 results = pool.map(worker, range(1000000)) pool.close() pool.join()
2. CPython 扩展：
GIL 是由 CPython（Python 的标准解释器）实现的。可以通过编写 C/C++ 扩展来绕过 GIL，从而直接与底层操作系统交互。这需要更高级别的编程技能，但可以显著提高并发性能。
代码示例：
#includePyObject *my_function(PyObject *self, PyObject *args) { // 执行密集计算任务，无需 GIL 保护 // ... Py_INCREF(Py_None); return Py_None; } static PyMethodDef my_methods[] = { {"my_function", my_function, METH_VARARGS, "My function"}, {NULL, NULL, 0, NULL} }; PyMODINIT_FUNC initmymodule(void) { Py_InitModule("mymodule", my_methods); }
3. GIL 释放：
GIL 是可选的，并且可以在特定情况下释放。通过使用 with 语句或通过调用 sys.settrace() 函数，可以暂时释放 GIL。这允许其他线程在释放期间获取 GIL 并执行任务。
代码示例：
import sys def worker(): # 执行密集计算任务 pass if __name__ == "__main__": sys.settrace(None)# 禁用追踪函数，释放 GIL threads = [] for _ in range(4): threads.append(threading.Thread(target=worker)) for thread in threads: thread.start() for thread in threads: thread.join()
结论
GIL 是 Python 中并发编程的重要考虑因素。通过理解其工作原理及影响，以及应用适当的策略来克服其限制，可以提高 Python 程序的并发性能并减少瓶颈。随着计算机硬件的不断发展，GIL 的限制可能会变得更加明显，因此探索和采用这些技术至关重要，以最大限度地提高 Python 程序的性能。
