Python 运行速度慢原因之一一GIL（全局解释器锁）可视化

因为它是GIL（全局解释器锁）

现代计算机的 CPU 有多个核心，有时甚至有多个处理器。为了利用所有计算能力，操作系统定义了一个底层结构，叫做线程，而一个进程（例如 Chrome浏览器）能够生成多个线程，通过线程来执行系统指令。这样如果一个进程是要使用很多 CPU，那么计算负载就会由多个核心分担，最终使得绝大多数应用能更快地完成任务。

在撰写本文时，我的 Chrome 浏览器开了 44 个线程。另外，基于 POSIX 的操作系统（如 Mac OS 和 Linux）的线程结构和 API 与 Windows 操作系统是不一样的。操作系统还负责线程的调度。

如果你没写过多线程程序，那么你应该了解一下锁的概念。与单线程进程不同，在多线程编程中，你要确保改变内存中的变量时，多个线程不会试图同时修改或访问同一个内存地址。

CPython 在创建变量时会分配内存，然后用一个计数器计算对该变量的引用的次数。这个概念叫做“引用计数”。如果引用的数目为 0，那就可以将这个变量从系统中释放掉。这样，创建“临时”变量（如在 for 循环的上下文环境中）不会耗光应用程序的内存。

随之而来的问题就是，如果变量在多个线程中共享，CPython 需要对引用计数器加锁。有一个“全局解释器锁”会谨慎地控制线程的执行。不管有多少个线程，解释器一次只能执行一个操作。

Python GIL可视化

在这些图中，Python解释器刻度沿X轴显示。两个条表示正在执行的两个不同的线程。白色区域表示线程完全空闲的时间。绿色区域表示线程何时保持GIL并且正在运行。红色区域指示操作系统何时调度线程仅唤醒并发现GIL不可用（例如，臭名昭着的“GIL战斗”）。对于那些不想阅读的人来说，这里是图片中的传奇：