gil

Python并不支持真正意义上的多线程。Python中提供了多线程包，但是如果你想通过多线程提高代码的速度，使用多线程包并不是个好主意。 Python中有一个被称为Global Interpreter Lock（GIL）的东西，它会确保任何时候你的多个线程中，只有一个被执行。 线程的执行速度非常之快，会让你误以为线程是并行执行的，但是实际上都是轮流执行。经过GIL这一道关卡处理，会增加执行的开销。 这意味着，如果你想提高代码的运行速度，使用threading包并不是一个很好的方法。 不过还是有很多理由促使我们使用threading包的。如果你想同时执行一些任务，而且不考虑效率问题，那么使用这个包是完全没问题的，而且也很方便。 但是大部分情况下，并不是这么一回事，你会希望把多线程的部分外包给操作系统完成（通过开启多个进程），或者是某些调用你的Python代码的外部程序（例如Spark或Hadoop），又或者是你的Python代码调用的其他代码（例如，你可以在Python中调用C函数，用于处理开销较大的多线程工作）。 本文首发于 python黑洞网 ，博客园同步更新 来源： https://www.cnblogs.com/pythonzhilian/p/12564974.html

GIL介绍 GIL本质就是一把互斥锁，既然是互斥锁，所有互斥锁的本质都一样，都是将并发运行变成串行，以此来控制同一时间内共享数据只能被一个任务所修改，进而保证数据安全 如果多个线程的target=work，那么执行流程是： 多个线程先访问到解释器的代码，即拿到执行权限，然后将target的代码交给解释器的代码去执行 解释器的代码是所有线程共享的，所以垃圾回收线程也可能访问到解释器的代码而去执行，这就导致了一个问题:对于同一个数据100，可能线程1执行x=100的同时，而垃圾回收执行的是回收100的操作，解决这种问题没有什么高明的方法，就是加锁处理，如下图的GIL，保证python解释器同一时间只能执行一个任务的代码 GIL与Lock GIL 与Lock是两把锁，保护的数据不一样，前者是解释器级别的（当然保护的就是解释器级别的数据，比如垃圾回收的数据），后者是保护用户自己开发的应用程序的数据，很明显GIL不负责这件事，只能用户自定义加锁处理，即Lock，如下图 分析： 1、100个线程去抢GIL锁，即抢执行权限 2、肯定有一个线程先抢到GIL（暂且称为线程1），然后开始执行，一旦执行就会拿到lock.acquire() 3、极有可能线程1还未运行完毕，就有另外一个线程2抢到GIL，然后开始运行，但线程2发现互斥锁lock还未被线程1释放，于是阻塞，被迫交出执行权限，即释放GIL 4

1. GIL是什么 GIL(Global Interpreter Lock)并不是python的特性，而是Python解释器Cpython引入的一个概念。而python的解释器不仅仅只有Cpython，若解释器为Jpython，那么python就没有GIL。 官方的解释： In CPython, the global interpreter lock, or GIL, is a mutex that prevents multiple native threads from executing Python bytecodes at once. This lock is necessary mainly because CPython’s memory management is not thread-safe. (However, since the GIL exists, other features have grown to depend on the guarantees that it enforces.) 2.产生的原因 由于物理上得限制，各CPU厂商在核心频率上的比赛已经被多核所取代。为了更有效的利用多核处理器的性能，就出现了多线程的编程方式，而随之带来的就是线程间数据一致性和状态同步的困难。即使在CPU内部的Cache也不例外

　　今天看到一篇文章，讲述的是几个提升python性能的项目: 传送门 　　在看的过程中，接触到一个名词，一个从学python开始就一直看到，但是从来都是一知半解的名词，心里不开心，必须把它搞明白，对了，这个词就是 GIL。网上搜索了一些资料，粗浅的理解了什么是GIL，自己感觉学习的过程比较好，感觉略有收获，老规矩，为了巩固知识，自己整片文章出来写一写，其实好多文章已经写的很完善了，所以这篇随笔，只做知识巩固，如有雷同，请各位原创作者原谅，小菜鸟一枚，如果哪里写的有问题，还请各位前辈不吝指正。 　　一句话： 解决多线程之间数据完整性和状态同步的最简单方法自然就是加锁。 　　首先，GIL的全名， Global Interpreter Lock ，鉴于英文水平，不做名词翻译，以免误导。大体解释一下，这个锁就是用来为了解决Cpython多线程中线程不安全问题引入的一个全局排它锁，它的作用就是在多线程情况下，保护共享资源，为了不让多个线程同时操作共享资源，导致不可预期的结果而加上的锁，在一个线程操作共享资源时，其他线程请求该资源，只能等待GIL解锁。这个设置在Cpython刚引入多线程概念的时候就有了，然后后续的各种包和组件开发都不可避免的受到了GIL的影响，所以有人会说，python在多线程处理的时候很慢。python GIL实现方式类似于如下伪代码： if __name__ == '_

GIL全局解释器锁 一、GIL全局解释器锁 Python代码的执行由Python虚拟机(也叫解释器主循环)来控制。 Python在设计之初就考虑到要在主循环中，同时只有一个线程在执行。 虽然 Python 解释器中可以“运行”多个线程， 但在任意时刻只有一个线程在解释器中运行。 对Python虚拟机的访问由全局解释器锁(GIL)来控制，正是这个锁能保证同一时刻只有一个线程在运行。 在多线程环境中，Python 虚拟机按以下方式执行： 设置 GIL； 切换到一个线程去运行； 运行指定数量的字节码指令或者线程主动让出控制(可以调用 time.sleep(0))； 把线程设置为睡眠状态； 解锁 GIL； 再次重复以上所有步骤。 在调用外部代码(如 C/C++扩展函数)的时候，GIL将会被锁定， 直到这个函数结束为止 (由于在这期间没有Python的字节码被运行，所以不会做线程切换)编写扩展的程序员可以主动解锁GIL。 来源： https://www.cnblogs.com/randysun/p/12257670.html

重述 GIL 锁机制 我们知道GIL锁，它是用来保证线程安全的。 比如说，有一条代码 是 x = 10 的赋值语句，当你产生了 10 这个数值还没有进行赋值给x的时候，cpu发生了调度切换了，有可能切换到了 垃圾回收线程上，这个时候的垃圾回收线程就会发现有一个引用计数为10 的内存空间，于是就把他给释放掉了，这就导致了这条赋值语句的失败。也就造成了线程不安全的情况。 所以为了解决这个问题，就有了GIL全局解释器锁。 大白话来讲GIL锁，就是一个进程开启了，这个进程一共有3个线程，这三个线程会去抢GIL锁，只有抢到了GIL锁，解释器进程才会去执行这个线程的代码，抢到了GIL锁以后，等待cpu调度切换到了这个进程，这个进程中的线程开始执行，cpu不停地在这三个线程切换，只有其中拿到了GIL锁的线程才能被执行，其他的两个线程，就算拿到了cpu的执行权，也没有被执行。 问题 现在就有个问题，那这个拿到了GIL锁的线程什么时候才会释放GIL锁？ 答案 当遇到io等待的时候，就会释放这个GIL锁。 问题二 什么是io，其实不止是增删读写文件，赋值操作也是io，关于文件的操作是磁盘io，赋值操作是内存io，因为它涉及到内存的申请了。那么他不就是在赋值的时候就释放了GIL锁了吗？ 答案 内存io不会造成io等待。所以不会释放GIL锁。 总述GIL锁 1.释放GIL锁的目标，是为了释放CPU

全局解释器锁并不是由python语言标准规定，而是由CPython解释器实现的 产生原因： python的内存管理使用了引用计数的方法，而多线程同时操作一个变量时，引用计数可能出错导致内存泄露或者异常销毁，一个解决办法当然是加锁，但是python并没有采用，一个是频繁的加锁解锁影响性能，二是多个锁处理不好的话存在死锁的隐患，python干脆搞了一个全局的锁，GIL，任何python线程在执行之前必须获得这把唯一的解释器锁，避免了频繁加解锁和死锁。 同时也带来了问题，就是多线程无法真正利用多核。 刚才说道的是内存管理的线程安全，另外多线程间数据一致性也是问题，总之gil是为了解释器实现层面的线程安全，是当初的设计层面决定，很多人都认为这是一个烂设计，是一个历史遗留包袱。 1.python中的线程是不是操作系统内核线程，pthread？ 答案是肯定的。python中的线程就是对操作系统内核线程的封装或者说是映射。一一对应。因此，python线程也是由操作系统内核进行调度的。进行调度的时机也是由操作系统来决定。 2.如果线程被操作系统调度，得到了CPU时间片，就一定会真正得到执行吗？ 答案是否定的。 在解释器内部，涉及到线程执行的代码类似下面： while True r=gil.require() if r: code_line_counter=0 for code in thread

Python 有GIL锁,所以它的多线程实际上是单线程 GIL 全称全局解释器锁(Global Interpreter Lock), 它锁的解释器,而不是Python代码,它防止多线程同时执行Python的字节码, 防止多线程同时访问Python的对象 Python的解释器通过切换线程的方式来模拟多线程并发的情况 那岂不是说Python多线程不会提高效率了??? 非也!!! 对于IO密集型工作,多线程可以大幅度提高效率,而对于CPU密集型工作,多线程是没用的. IO密集型 涉及到网络,磁盘IO,硬盘读写等都是IO密集型工作,这类任务对CPU的消耗较少,大部分时间不是花在代码上,而是其他操作上 CPU密集型 特点是进行大量的计算,消耗CPU资源, 比如我们常见的排序算法,对视频的解码之类的,大部分时间花在代码上 最后: CPU密集型程序适合用C等编译型语言开发的多线程, 而IO密集型程序适合Python等脚本语言开发的多线程 在使用多线程的时候,多线程爬取比单线程性能有提升，因为遇到IO阻塞会自动释放GIL锁,类似于协程. 在处理像科学计算 这类需要持续使用cpu的任务的时候 单线程会比多线程快 在 处理像IO操作等可能引起阻塞的这类任务的时候 多线程会比单线程 来源： CSDN 作者： print('hello world') 链接： https://blog.csdn.net