原文：
towardsdatascience.com/dont-know-what-is-python-gil-this-may-be-the-easiest-tutorial-3b99805d2225
如果你是一名 Python 学习者，请不要害怕，因为这篇文章旨在用最简单的方式向你解释什么是 GIL。当然，我们必须从解释线程和进程开始。不用担心，我会尽力让每个人都能理解，尽管这可能会牺牲一些定义的准确性。
现在我们应该开始了。
1. Python 中的多线程
图片由 Steen Jepsen 提供，来自 Pixabay
一些概念
多线程是最常见的编程技术之一，Python 中也存在这种技术。
它允许我们同时运行多个操作。通常，多线程可以提高 CPU 的使用效率。此外，大多数 I/O 任务都可以从并发运行的线程中受益。
请不要对概念“进程”和“线程”感到困惑。进程将分配一定的内存，并且在操作系统中与其他进程完全隔离。因此，在我们的操作系统中，一个程序崩溃通常不会影响其他程序。
进程和线程之间的关系
一个进程可能在其下运行多个线程，共享许多相同的资源，如内存。因此，一个线程崩溃将导致整个进程崩溃。因为线程之间共享内存，这也可能在进程中引起麻烦。我稍后会演示。
代码示例
现在，让我们看看如何使用多线程技术编写 Python 代码。
首先，让我们导入 Python 内置的threading模块。
import threading
为了能够测试多线程，让我们定义一个足够简单但需要一些时间的函数。
def compute():
for _ in range(100000000):
pass
这个函数什么都不做，它只是执行一个循环 100 亿次，每次循环不进行任何计算。
然后，假设我们想要在两个不同的线程中运行compute()函数两次。我们可以在 Python 中使用threading.Thread()创建一个新的线程。之后，target=compute告诉线程执行compute()函数。
threading.Thread(target=compute)
现在，让我们创建两个线程t1和t2，然后要求它们执行compute()函数。
t1 = threading.Thread(target=compute)
t2 = threading.Thread(target=compute)
t1.start()
t2.start()
t1.join()
t2.join()
在上面的代码中，t1.start()将告诉线程开始执行分配给它的任何任务。在我们的例子中，它是执行compute()函数。同样，我们通过运行代码t2.start()立即让t2开始。
当你看到代码t1.join()时，这意味着我们希望进程等待线程t1完成。换句话说，我们希望在上面的代码中等待t1和t2都完成它们的工作。
2. Python 中的 GIL 是什么？
图片由Manfred Richter提供，来自Pixabay
GIL 代表全局解释器锁。这就是你需要了解的文本概念。要理解它，请查看下面的图示。
Python 中 GIL 的工作原理
如上图所示，GIL 只允许一次只有一个线程运行。当一个线程请求开始工作时，它会锁定其他线程。
因此，尽管我们让线程 1 和线程 2 同时运行，但它们根本无法利用多个 CPU 核心，因此对性能的提升几乎没有帮助。事实上，大多数情况下可能会更糟。
为什么 Python 有这样一个机制？以下是一些原因。
线程安全
由于多线程共享相同的内存和 I/O，可能会出现“线程竞态”问题。以下是一个典型的例子。
线程不安全的典型示例
在开始时，两种情况下x=1都是相同的，并且值已经在内存中。然后，由于两个线程是并行运行的，我们不知道哪个先运行。最终，x的结果将变得神秘。这是线程不安全的一个典型例子。
历史问题
在 Python 刚出现的时候，还没有出现多核 CPU 的通用 CPU。因此，拥有 GIL 的好处绝对超过了它的限制。
例如，CPython 中的内存管理将会简单得多，这使得垃圾回收过程变得直接。同时，它避免了由线程不安全引起的许多复杂错误，例如竞态条件。
展示了限制
现在，随着 CPU 技术的发展和 Python 在数据分析/科学/工程领域的广泛应用，GIL 已经成为 Python 性能和灵活性的主要瓶颈。
然而，一些学习者可能会争论说多进程可以是多线程的替代品。在下一节中，我将尝试解释什么是多进程以及为什么它不同。
3. 为什么多进程不同？
图片由 Lucent_Designs_dinoson20 来自 Pixabay 提供
再次强调，我不喜欢写很多文字来讲述枯燥的知识。请参见以下图表。它展示了单线程、多线程和多进程之间的差异。
多线程和多进程之间的差异
在广义上，使用 GIL 的多线程可以完成与单线程相似数量的任务。然而，多进程可以绕过多线程的限制。在同一时间段内，它可能能够完成比其他两种方法多一倍的任务量。
证明理论
让我们开始编码！
由于在交互式环境（如 Jupyter Notebook）中使用多进程并不容易，让我们编写一个最简单的 Python 脚本文件来比较这三种场景：
-
单线程
-
多线程
-
单线程的多进程
首先，我们需要导入相关模块。然后，让我们使用上面用过的相同函数 compute()。为了方便起见，我再次粘贴代码在这里。
from threading import Thread
from multiprocessing import Process
import time
def compute():
for _ in range(100000000):
pass
单线程的代码非常简单，只需运行函数两次即可，因为在其他两个例子中，我们需要将它们分别放入两个不同的线程和进程中。
# Single Threads
start = time.time()
compute()
compute()
end = time.time()
print("Time taken with single threads:", end - start)
多线程的代码与上一个例子相同。为了方便起见，我再次粘贴代码在这里。
# Multi-Threading
start = time.time()
t1 = Thread(target=compute)
t2 = Thread(target=compute)
t1.start()
t2.start()
t1.join()
t2.join()
end = time.time()
print("Time taken with multi-threads:", end - start)
多进程的代码与多线程的代码基本相同。唯一的区别是使用 Process 工厂类。
# Multi-Processing
start = time.time()
p1 = Process(target=compute)
p2 = Process(target=compute)
p1.start()
p2.start()
p1.join()
p2.join()
end = time.time()
print("Time taken with multi-process:", end - start)
然后，让我们将所有上述代码放入一个名为 my_test.py 的脚本文件中。之后，我们可以通过运行 Python 脚本文件来测试这些场景。
$ python my_test.py
这里是结果。它显示结果大致符合上述图表中展示的内容。
如果你仍然不理解发生了什么，我创建了一个如下所示的另一个图表。它说明了为什么多进程可以减少耗时。
为什么多进程比 GIL 启用的多线程更快？
BTW，由于我的计算操作系统在测试进行时有大量进程运行，结果可能不准确，但它应该能在高层次上证明理论。
为什么多进程不是理想的选择？
如前图所示，多进程不共享内存分配、I/O 资源等。这就是为什么 GIL 对它没有影响。然而，这也是它不够灵活的原因。
实际情况可能更加复杂。尽管进程间通信仍然是可能的，但它会带来很多开销。有时，我们从多进程中获得的性能提升可能会被耗尽。
回到多线程，多个线程可以轻松地在同一内存位置上工作，并通过并行利用硬件资源共同完成大任务。当然，避免复杂线程相关错误的责任将落在开发者身上。
4. 这将得到解决！
图片由 Gabriele Lässer 在 Pixabay 提供
最后，我提出引入 GIL 的想法是因为它有望很快被移除。使 CPython 中的 GIL 可选的 PEP 703 已被接受
来自公共网站的截图：peps.python.org/pep-0703/
摘要
在这篇文章中，我介绍了 Python 中最独特的机制之一——全局解释器锁（GIL）。它是一把双刃剑。虽然它简化了内存管理并避免了某些线程不安全的情况，但它也限制了开发者充分利用现代硬件（如多核 CPU）来更有效地处理任务的能力。
希望这篇文章能帮助你理解线程和进程是什么。PEP 703 的接受也让我们有理由相信 Python 的灵活性在未来会更好。
除非另有说明，所有图片均由作者提供
扫一扫
147
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
