[[351041]]

 事實上，Python 多線程另一個很重要的話題叫，GIL(Global Interpreter Lock，即全局解釋器鎖)。

多線程不一定比單線程快

在Python中，可以通過多進程、多線程和多協程來實現多任務。難道多線程就一定比單線程快?

下面我用一段代碼證明我自己得觀點。

''' 
@Author：Runsen 
@微信公眾號：Python之王 
@博客：https://blog.csdn.net/weixin_44510615 
@Date：2020/6/4 
''' 
 
import threading, time 
def my_counter(): 
    i = 0 
    for _ in range(100000000): 
        i = i+1 
    return True 
 
def main1(): 
    start_time = time.time() 
    for tid in range(2): 
        t = threading.Thread(target=my_counter) 
        t.start() 
        t.join()  # 第一次循環的時候join方法引起主線程阻塞，但第二個線程并沒有啟動，所以兩個線程是順序執行的 
 
    print("單線程順序執行total_time: {}".format(time.time() - start_time)) 
 
def main2(): 
    thread_ary = {} 
    start_time = time.time() 
    for tid in range(2): 
        t = threading.Thread(target=my_counter) 
        t.start() 
        thread_ary[tid] = t 
 
    for i in range(2): 
        thread_ary[i].join()  # 兩個線程均已啟動，所以兩個線程是并發的 
 
    print("多線程執行total_time: {}".format(time.time() - start_time)) 
 
if __name__ == "__main__": 
    main1() 
    main2() 

運行結果

單線程順序執行total_time: 17.754502773284912 
多線程執行total_time: 20.01178550720215 

我怕你說我亂得出來得結果，我還是截個圖看清楚點

這時，我懷疑：我的機器出問題了嗎?其實不是這樣，本質上來說Python 的線程失效了，沒有起到并行計算的作用。

Python 的線程，的確封裝了底層的操作系統線程，在 Linux 系統里是 Pthread(全稱為 POSIX Thread)，而在 Windows 系統里是 Windows Thread。另外，Python 的線程，也完全受操作系統管理，比如協調何時執行、管理內存資源、管理中斷等等。

GIL不是Python的特性

GIL 的概念用簡單的一句話來解釋，就是「任一時刻，無論線程多少，單一 CPython 解釋器只能執行一條字節碼」。這個定義需要注意的點：

首先需要明確的一點是「GIL并不是Python的特性」，它是在實現Python解析器(CPython)時所引入的一個概念。

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執行環境來執行。

「其他 Python 解釋器不一定有 GIL」。例如 Jython (JVM) 和 IronPython (CLR) 沒有 GIL，而 CPython，PyPy 有 GIL;

因為CPython是大部分環境下默認的Python執行環境。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」

GIL本質就是一把互斥鎖

GIL本質就是一把互斥鎖，既然是互斥鎖，所有互斥鎖的本質都一樣，都是將并發運行變成串行，以此來控制同一時間內共享數據只能被一個任務所修改，進而保證數據安全。

可以肯定的一點是：保護不同的數據的安全，就應該加不同的鎖。

GIL 的工作原理：比如下面這張圖，就是一個 GIL 在 Python 程序的工作示例。其中，Thread 1、2、3 輪流執行，每一個線程在開始執行時，都會鎖住 GIL，以阻止別的線程執行;同樣的，每一個線程執行完一段后，會釋放 GIL，以允許別的線程開始利用資源。

計算密集型

計算密集型任務的特點是要進行大量的計算，消耗CPU資源 

我們先來看一個簡單的計算密集型示例：

''' 
@Author：Runsen 
@微信公眾號：Python之王 
@博客：https://blog.csdn.net/weixin_44510615 
@Date：2020/6/4 
''' 
import time 
COUNT = 50_000_000 
 
def count_down(): 
   global COUNT 
   while COUNT > 0: 
       COUNT -= 1 
 
s = time.perf_counter() 
count_down() 
c = time.perf_counter() - s 
print('time taken in seconds - >:', c) 
 
time taken in seconds - >: 9.2957003 

這個是單線程， 時間是9s， 下面我們用兩個線程看看結果又如何：

''' 
@Author：Runsen 
@微信公眾號：Python之王 
@博客：https://blog.csdn.net/weixin_44510615 
@Date：2020/6/4 
''' 
import time 
from threading import Thread 
 
COUNT = 50_000_000 
 
def count_down(): 
   global COUNT 
   while COUNT > 0: 
       COUNT -= 1 
 
s = time.perf_counter() 
t1 = Thread(target=count_down) 
t2 = Thread(target=count_down) 
t1.start() 
t2.start() 
t1.join() 
t2.join() 
c = time.perf_counter() - s 
print('time taken in seconds - >:', c) 
 
time taken in seconds - >: 17.110625 

我們程序主要的操作就是在計算， CPU沒有等待， 而改為多線程后， 增加了線程后， 在線程之間頻繁的切換，增大了時間開銷， 時間當然會增加了。

還有一種類型是IO密集型，涉及到網絡、磁盤IO的任務都是IO密集型任務，這類任務的特點是CPU消耗很少，任務的大部分時間都在等待IO操作完成(因為IO的速度遠遠低于CPU和內存的速度)。對于IO密集型任務，任務越多，CPU效率越高，但也有一個限度。常見的大部分任務都是IO密集型任務，比如Web應用。

「總結：對于io密集型工作(Python爬蟲)，多線程可以大幅提高代碼效率。對CPU計算密集型(Python數據分析，機器學習，深度學習)，多線程的效率可能比單線程還略低。所以，數據領域沒有多線程提高效率之說，只有將CPU提升到GPU，TPU來提升計算能力。」