前言：博主在剛接觸Python的時候時常聽到GIL這個詞，并且發(fā)現(xiàn)這個詞經(jīng)常和Python無法高效的實現(xiàn)多線程劃上等號。本著不光要知其然，還要知其所以然的研究態(tài)度，博主搜集了各方面的資料，花了一周內(nèi)幾個小時的閑暇時間深入理解了下GIL，并歸納成此文，也希望讀者能通過次本文更好且客觀的理解GIL。

GIL是什么

首先需要明確的一點是GIL并不是Python的特性，它是在實現(xiàn)Python解析器(CPython)時所引入的一個概念。就好比C++是一套語言（語法）標準，但是可以用不同的編譯器來編譯成可執(zhí)行代碼。有名的編譯器例如GCC，INTEL C++，Visual C++等。Python也一樣，同樣一段代碼可以通過CPython，PyPy，Psyco等不同的Python執(zhí)行環(huán)境來執(zhí)行。像其中的JPython就沒有GIL。然而因為CPython是大部分環(huán)境下默認的Python執(zhí)行環(huán)境。所以在很多人的概念里CPython就是Python，也就想當然的把GIL歸結(jié)為Python語言的缺陷。所以這里要先明確一點：GIL并不是Python的特性，Python完全可以不依賴于GIL。

那么CPython實現(xiàn)中的GIL又是什么呢？GIL全稱Global Interpreter Lock為了避免誤導，我們還是來看一下官方給出的解釋：

In CPython, the global interpreter lock, or GIL, is a mutex that prevents multiple native threads from executing Python bytecodes at once. This lock is necessary mainly because CPython's memory management is not thread-safe. (However, since the GIL exists, other features have grown to depend on the guarantees that it enforces.)

好吧，是不是看上去很糟糕？一個防止多線程并發(fā)執(zhí)行機器碼的一個Mutex，乍一看就是個BUG般存在的全局鎖嘛！別急，我們下面慢慢的分析。

為什么會有GIL

由于物理上得限制，各CPU廠商在核心頻率上的比賽已經(jīng)被多核所取代。為了更有效的利用多核處理器的性能，就出現(xiàn)了多線程的編程方式，而隨之帶來的就是線程間數(shù)據(jù)一致性和狀態(tài)同步的困難。即使在CPU內(nèi)部的Cache也不例外，為了有效解決多份緩存之間的數(shù)據(jù)同步時各廠商花費了不少心思，也不可避免的帶來了一定的性能損失。

Python當然也逃不開，為了利用多核，Python開始支持多線程。而解決多線程之間數(shù)據(jù)完整性和狀態(tài)同步的最簡單方法自然就是加鎖。 于是有了GIL這把超級大鎖，而當越來越多的代碼庫開發(fā)者接受了這種設定后，他們開始大量依賴這種特性（即默認python內(nèi)部對象是thread-safe的，無需在實現(xiàn)時考慮額外的內(nèi)存鎖和同步操作）。

慢慢的這種實現(xiàn)方式被發(fā)現(xiàn)是蛋疼且低效的。但當大家試圖去拆分和去除GIL的時候，發(fā)現(xiàn)大量庫代碼開發(fā)者已經(jīng)重度依賴GIL而非常難以去除了。有多難？做個類比，像MySQL這樣的“小項目”為了把Buffer Pool Mutex這把大鎖拆分成各個小鎖也花了從5.5到5.6再到5.7多個大版為期近5年的時間，本且仍在繼續(xù)。MySQL這個背后有公司支持且有固定開發(fā)團隊的產(chǎn)品走的如此艱難，那又更何況Python這樣核心開發(fā)和代碼貢獻者高度社區(qū)化的團隊呢？

所以簡單的說GIL的存在更多的是歷史原因。如果推到重來，多線程的問題依然還是要面對，但是至少會比目前GIL這種方式會更優(yōu)雅。

GIL的影響

從上文的介紹和官方的定義來看，GIL無疑就是一把全局排他鎖。毫無疑問全局鎖的存在會對多線程的效率有不小影響。甚至就幾乎等于Python是個單線程的程序。
那么讀者就會說了，全局鎖只要釋放的勤快效率也不會差啊。只要在進行耗時的IO操作的時候，能釋放GIL，這樣也還是可以提升運行效率的嘛?；蛘哒f再差也不會比單線程的效率差吧。理論上是這樣，而實際上呢？Python比你想的更糟。

下面我們就對比下Python在多線程和單線程下得效率對比。測試方法很簡單，一個循環(huán)1億次的計數(shù)器函數(shù)。一個通過單線程執(zhí)行兩次，一個多線程執(zhí)行。最后比較執(zhí)行總時間。測試環(huán)境為雙核的Mac pro。注：為了減少線程庫本身性能損耗對測試結(jié)果帶來的影響，這里單線程的代碼同樣使用了線程。只是順序的執(zhí)行兩次，模擬單線程。

順序執(zhí)行的單線程(single_thread.py)

#! /usr/bin/python
 
from threading import Thread
import time
 
def my_counter():
 i = 0
 for _ in range(100000000):
  i = i + 1
 return True
 
def main():
 thread_array = {}
 start_time = time.time()
 for tid in range(2):
  t = Thread(target=my_counter)
  t.start()
  t.join()
 end_time = time.time()
 print("Total time: {}".format(end_time - start_time))
 
if __name__ == '__main__':
 main()

同時執(zhí)行的兩個并發(fā)線程(multi_thread.py)

#! /usr/bin/python
 
from threading import Thread
import time
 
def my_counter():
 i = 0
 for _ in range(100000000):
  i = i + 1
 return True
 
def main():
 thread_array = {}
 start_time = time.time()
 for tid in range(2):
  t = Thread(target=my_counter)
  t.start()
  thread_array[tid] = t
 for i in range(2):
  thread_array[i].join()
 end_time = time.time()
 print("Total time: {}".format(end_time - start_time))
 
if __name__ == '__main__':
 main()

下圖就是測試結(jié)果

可以看到python在多線程的情況下居然比單線程整整慢了45%。按照之前的分析，即使是有GIL全局鎖的存在，串行化的多線程也應該和單線程有一樣的效率才對。那么怎么會有這么糟糕的結(jié)果呢？

讓我們通過GIL的實現(xiàn)原理來分析這其中的原因。

當前GIL設計的缺陷

基于pcode數(shù)量的調(diào)度方式

按照Python社區(qū)的想法，操作系統(tǒng)本身的線程調(diào)度已經(jīng)非常成熟穩(wěn)定了，沒有必要自己搞一套。所以Python的線程就是C語言的一個pthread，并通過操作系統(tǒng)調(diào)度算法進行調(diào)度（例如linux是CFS）。為了讓各個線程能夠平均利用CPU時間，python會計算當前已執(zhí)行的微代碼數(shù)量，達到一定閾值后就強制釋放GIL。而這時也會觸發(fā)一次操作系統(tǒng)的線程調(diào)度（當然是否真正進行上下文切換由操作系統(tǒng)自主決定）。

偽代碼

while True:
 acquire GIL
 for i in 1000:
  do something
 release GIL
 /* Give Operating System a chance to do thread scheduling */

這種模式在只有一個CPU核心的情況下毫無問題。任何一個線程被喚起時都能成功獲得到GIL（因為只有釋放了GIL才會引發(fā)線程調(diào)度）。但當CPU有多個核心的時候，問題就來了。從偽代碼可以看到，從release GIL到acquire GIL之間幾乎是沒有間隙的。所以當其他在其他核心上的線程被喚醒時，大部分情況下主線程已經(jīng)又再一次獲取到GIL了。這個時候被喚醒執(zhí)行的線程只能白白的浪費CPU時間，看著另一個線程拿著GIL歡快的執(zhí)行著。然后達到切換時間后進入待調(diào)度狀態(tài)，再被喚醒，再等待，以此往復惡性循環(huán)。

PS：當然這種實現(xiàn)方式是原始而丑陋的，Python的每個版本中也在逐漸改進GIL和線程調(diào)度之間的互動關(guān)系。例如先嘗試持有GIL在做線程上下文切換，在IO等待時釋放GIL等嘗試。但是無法改變的是GIL的存在使得操作系統(tǒng)線程調(diào)度的這個本來就昂貴的操作變得更奢侈了。

關(guān)于GIL影響的擴展閱讀

為了直觀的理解GIL對于多線程帶來的性能影響，這里直接借用的一張測試結(jié)果圖（見下圖）。圖中表示的是兩個線程在雙核CPU上得執(zhí)行情況。兩個線程均為CPU密集型運算線程。綠色部分表示該線程在運行，且在執(zhí)行有用的計算，紅色部分為線程被調(diào)度喚醒，但是無法獲取GIL導致無法進行有效運算等待的時間。

由圖可見，GIL的存在導致多線程無法很好的立即多核CPU的并發(fā)處理能力。

那么Python的IO密集型線程能否從多線程中受益呢？我們來看下面這張測試結(jié)果。顏色代表的含義和上圖一致。白色部分表示IO線程處于等待?？梢?，當IO線程收到數(shù)據(jù)包引起終端切換后，仍然由于一個CPU密集型線程的存在，導致無法獲取GIL鎖，從而進行無盡的循環(huán)等待。

簡單的總結(jié)下就是：Python的多線程在多核CPU上，只對于IO密集型計算產(chǎn)生正面效果；而當有至少有一個CPU密集型線程存在，那么多線程效率會由于GIL而大幅下降。

如何避免受到GIL的影響

說了那么多，如果不說解決方案就僅僅是個科普帖，然并卵。GIL這么爛，有沒有辦法繞過呢？我們來看看有哪些現(xiàn)成的方案。

用multiprocess替代Thread

multiprocess庫的出現(xiàn)很大程度上是為了彌補thread庫因為GIL而低效的缺陷。它完整的復制了一套thread所提供的接口方便遷移。唯一的不同就是它使用了多進程而不是多線程。每個進程有自己的獨立的GIL，因此也不會出現(xiàn)進程之間的GIL爭搶。

當然multiprocess也不是萬能良藥。它的引入會增加程序?qū)崿F(xiàn)時線程間數(shù)據(jù)通訊和同步的困難。就拿計數(shù)器來舉例子，如果我們要多個線程累加同一個變量，對于thread來說，申明一個global變量，用thread.Lock的context包裹住三行就搞定了。而multiprocess由于進程之間無法看到對方的數(shù)據(jù)，只能通過在主線程申明一個Queue，put再get或者用sharememory的方法。這個額外的實現(xiàn)成本使得本來就非常痛苦的多線程程序編碼，變得更加痛苦了。具體難點在哪有興趣的讀者可以擴展閱讀這篇文章

用其他解析器

之前也提到了既然GIL只是CPython的產(chǎn)物，那么其他解析器是不是更好呢？沒錯，像JPython和IronPython這樣的解析器由于實現(xiàn)語言的特性，他們不需要GIL的幫助。然而由于用了Java/C#用于解析器實現(xiàn)，他們也失去了利用社區(qū)眾多C語言模塊有用特性的機會。所以這些解析器也因此一直都比較小眾。畢竟功能和性能大家在初期都會選擇前者，Doneisbetterthanperfect。

所以沒救了么？

當然Python社區(qū)也在非常努力的不斷改進GIL，甚至是嘗試去除GIL。并在各個小版本中有了不少的進步。有興趣的讀者可以擴展閱讀這個Slide

另一個改進ReworkingtheGIL

–將切換顆粒度從基于opcode計數(shù)改成基于時間片計數(shù)
–避免最近一次釋放GIL鎖的線程再次被立即調(diào)度
–新增線程優(yōu)先級功能（高優(yōu)先級線程可以迫使其他線程釋放所持有的GIL鎖）

總結(jié)

PythonGIL其實是功能和性能之間權(quán)衡后的產(chǎn)物，它尤其存在的合理性，也有較難改變的客觀因素。從本分的分析中，我們可以做以下一些簡單的總結(jié)：

·因為GIL的存在，只有IOBound場景下得多線程會得到較好的性能
·如果對并行計算性能較高的程序可以考慮把核心部分也成C模塊，或者索性用其他語言實現(xiàn)
·GIL在較長一段時間內(nèi)將會繼續(xù)存在，但是會不斷對其進行改進

以上就是本文關(guān)于一篇文章快速了解Python的GIL的全部內(nèi)容，希望對大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站其他相關(guān)專題，如有不足之處，歡迎留言指出。感謝朋友們對本站的支持！

最新評論