python GIL :全局解释器

最新推荐文章于 2025-09-12 15:58:40 发布

weixin_30919919

最新推荐文章于 2025-09-12 15:58:40 发布

阅读量44

点赞数

CC 4.0 BY-SA版权

文章标签： python

原文链接：http://www.cnblogs.com/tsgxj/p/9251777.html

本文介绍了Python中的多线程编程，探讨了CPython解释器中的全局解释器锁(GIL)如何影响多线程的并行执行。通过两个示例——I/O密集型任务和计算密集型任务，展示了多线程在不同场景下的应用与限制。

cpython 解释器中存在一个GIL(全局解释器锁),无论多少个线程、多少颗cpu

他的作用就是保证同一时刻只有一个线程可以执行代码,因此造成了我们使用多线程的时候无法实现并行。

因为有GIL的存在、所以同一时刻只能有一个线程被CPU执行

任务：IO 密集型：可以采用多线程（多进程+协成）

计算密集型：python不适用

(1)IO 密集型、CPU会是实现自动切换提高工作效率

def ListenMusic(name):
    print("beging listening to %s,%s" %(name,time.ctime()))
    time.sleep(5)
    print("end listening %s" % time.ctime())
def Recordlog(name):
    print("beging recoding to %s,%s" %(name,time.ctime()))
    time.sleep(5)
    print("end recoding %s" % time.ctime())
if __name__ == '__main__':
    threads=[]
    t1=threading.Thread(target=ListenMusic,args=("凤凰传奇",))
    t2=threading.Thread(target=Recordlog,args=("python多线程",))
    threads.append(t1)
    threads.append(t2)
    for t in threads:
        t.start()

（2）计算密集型 cpu 一直处于工作状态、没有io流的切换、不适用多进程

import threading,time
def add():
    s=0
    for i in range(100000990):
        s +=i
    print("累加的结果是：",s)
def mul():
    s1=1
    for i in range(1,10000):
        s1 *= i
    print("累乘的结果是：",s1)
if __name__ == '__main__':
    start= time.time()
    L = []
    t1=threading.Thread(target=add)
    t2=threading.Thread(target=mul)

    L.append(t1)
    L.append(t2)
    for t in L:
        t.start()
    for t in L:
        t.join()
    print("总共花费时间",time.time()-start)