python——GIL锁详解

python 开发语言 2023-09-01 08:09:45 177人浏览安东尼

Python 官方文档：入门教程 => 点击学习

摘要

文章目录一、GIL全局解释器锁二、为什么会有GIL锁？三、多线程无法利用多核优势？计算密集型和IO密集型计算密集型——采用多进程计算密集型——采用多线程IO密集型——采用多进程IO密集型

在这里插入图片描述

文章目录

一、GIL全局解释器锁
二、为什么会有GIL锁？
三、多线程无法利用多核优势？
四、总结

一、GIL全局解释器锁

GIL锁不是python的特点。而是cPython的特点。
2、在cpython解释器中，GIL是一把互斥锁，用来保证进程中同一个时刻只有一个线程在执行。
3、在没有GIL锁的情况下，有可能多线程在执行一个代码的同时，垃圾回收机制对所执行代码的变量直接进行回收，其他的线程再使用该变量时会导致运行错误。

二、为什么会有GIL锁？

python使用引用计数为主，标记清楚和隔代回收为辅来进行内存管理。所有python脚本中创建的对象，都会配备一个引用计数，来记录有多少个指针来指向它。当对象的引用技术为0时，会自动释放其所占用的内存。

假设有2个python线程同时引用一个数据（a=100，引用计数为1），
2个线程都会去操作该数据，由于多线程对同一个资源的竞争，实际上引用计数为3，
但是由于没有GIL锁，导致引用计数只增加1（引用计数为2）
这造成的后果是，当第1个线程结束时，会把引用计数减少为1；当第2个线程结束时，会把引用计数减少为0；
当下一个线程再次视图访问这个数据时，就无法找到有效的内存了**
在这里插入图片描述

三、多线程无法利用多核优势？

由于GIL锁的存在，即使是多个线程处理任务，但是最终只有一个线程在工作，那么是不是多线程真的一点用处都没有了呢？

对于需要执行的任务来说，分为两种：计算密集型、io 密集型

假如一个计算密集型的任务需要10s的执行时间，总共有4个这样的任务

在 4核及以上的情况下：
多进程：需要开启 4 个进程，但是 4 个 CPU 并行，最终只需要消耗 10s 多一点的时间。
多线程：只需要开1 个进程，这个进程开启 4 个线程，开启线程所消耗的资源很少，但是由于最终执行是只有一个 CPU 可以工作，所以最终消耗 40s 多的时间。

假如是多个 IO密集型的任务
CPU 大多数时间是处于闲置状态，频繁的切换

多进程：进程进行切换需要消耗大量资源
多线程：线程进行切换并不需要消耗大量资源

计算密集型和IO密集型

计算密集型：要进行大量的数值计算，例如进行上亿的数字计算、计算圆周率、对视频进行高清解码等等。这种计算密集型任务虽然也可以用多任务完成，但是花费的主要时间在任务切换的时间，此时CPU执行任务的效率比较低。

IO密集型：涉及到网络请求(time.sleep())、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）。对于IO密集型任务，任务越多，CPU效率越高，但也有一个限度。

计算密集型——采用多进程

执行时间为： 4.062887668609619

from multiprocessing import Processimport timedef func1():    sum=0    for i in range(100000000):        sum+=1    print(sum)if __name__ == '__main__':    now=time.time()    l=[]    for i in range(10):        p=Process(target=func1)        p.start()        l.append(p)    for p in l:        p.join()    end=time.time()    print('执行时间为：',end-now)

计算密集型——采用多线程

执行时间为： 27.6159188747406

from threading import Threadimport timedef func1():    sum=0    for i in range(100000000):        sum+=1    print(sum)if __name__ == '__main__':    now=time.time()    l=[]    for i in range(10):        p=Thread(target=func1)        p.start()        l.append(p)    for p in l:        p.join()    end=time.time()    print('执行时间为：',end-now)

IO密集型——采用多进程

执行时间为： 5.388434886932373

from multiprocessing import Processimport timedef func1():    time.sleep(2)if __name__ == '__main__':    now=time.time()    l=[]    for i in range(100):        p=Process(target=func1)        p.start()        l.append(p)    for p in l:        p.join()    end=time.time()    print('执行时间为：',end-now)

IO密集型——采用多线程

执行时间为： 2.0174973011016846

from threading import Threadimport timedef func1():    time.sleep(2)if __name__ == '__main__':    now=time.time()    l=[]    for i in range(100):        p=Thread(target=func1)        p.start()        l.append(p)    for p in l:        p.join()    end=time.time()    print('执行时间为：',end-now)