python GIL

关注

原创最新推荐文章于 2026-05-15 09:28:53 发布 761 阅读 AI 写同款· GEO 优化 ›

Python GIL 系列之通过实例认识Python的GIL 1. 请看下面的例子： import time from threading import Thread from multiprocessing import Process from timeit import Timer def countdown(n): while n > 0: n -= 1 def t1(): COUNT=1000000 阅读详情

文章目录

全局解释器锁（Global Interpreter Lock，缩写为GIL）是Python解释器（CPython）中的一个机制，它的作用是在同一时刻只允许一个线程执行Python字节码。也就是说，即便在多核CPU的环境下，Python的多线程也无法真正实现并行执行。下面为你详细介绍GIL的相关内容：

1. GIL的由来

内存管理安全：CPython的内存管理并非线程安全的。GIL能够防止多个线程同时修改Python对象，从而避免出现竞态条件。
简化实现：GIL使得CPython的实现更加简单，同时也简化了C扩展的编写。
历史原因：早期的Python设计选择了GIL，这一设计对Python的发展产生了深远影响。

2. GIL的影响

I/O密集型任务：在执行I/O密集型任务时，线程在等待I/O操作时会释放GIL，其他线程便可以继续执行，因此多线程能够提升这类任务的效率。
CPU密集型任务：对于CPU密集型任务，由于GIL的存在，同一时刻只有一个线程能够执行Python代码，多线程不仅无法提升效率，反而可能因为线程切换的开销而导致性能下降。

下面通过一个简单的例子来直观感受GIL的影响：

import time
import threading

# CPU密集型任务
def cpu_bound(n):
    while n > 0:
        n -= 1

# 单线程执行
start = time.time()
cpu_bound(100000000)
print(f"单线程耗时: {time.time() - start:.2f}秒")

# 多线程执行
start = time.time()
t1 = threading.Thread(target=cpu_bound, args=(50000000,))
t2 = threading.Thread(target=cpu_bound, args=(50000000,))
t1.start()
t2.start()
t1.join()
t2.join()
print(f"双线程耗时: {time.time() - start:.2f}秒")

在这个例子中，双线程执行CPU密集型任务的耗时往往比单线程更长，这正是GIL造成的。
在这里插入图片描述

3. 如何绕过GIL的限制

使用多进程：由于每个进程都有自己独立的Python解释器和GIL，因此多进程可以充分利用多核CPU。

from multiprocessing import Process

if __name__ == '__main__':
    p1 = Process(target=cpu_bound, args=(50000000,))
    p2 = Process(target=cpu_bound, args=(50000000,))
    p1.start()
    p2.start()
    p1.join()
    p2.join()