Python 多线程库 threading 的鸡肋真相

2023-04-12 04:30:11

Python 中的 GIL：多线程的双刃剑

Python 作为一门简单易用且用途广泛的编程语言，在各个领域都得到了广泛应用。然而，当我们谈及它的多线程库 threading 时，却不得不面临一个饱受诟病的问题——全局解释器锁 (GIL)。这把锁像一把双刃剑，既保证了 Python 解释器的线程安全性，又限制了多线程的并发性能。

GIL 是什么？

GIL 是 Python 中一个特殊的存在，它强制规定同一时刻只有一个线程可以执行 Python 字节码。这主要是为了防止多线程同时操作共享数据时产生数据竞争，确保 Python 解释器的线程安全性。

GIL 如何影响多线程性能？

GIL 的存在意味着，即使在多核处理器上，Python 的多线程也无法真正并行执行。当一个线程获得 GIL 后，其他线程只能耐心地等待，直到该线程释放 GIL。这种机制导致了线程之间的竞争，即所谓的 GIL 争用。GIL 争用会导致线程频繁切换，从而降低了多线程的性能。

如何提高 Python 多线程性能？

虽然 GIL 对 Python 多线程性能造成了不小的影响，但也不是没有办法提高它的性能。以下是一些常用的方法：

1. 使用多进程

多进程不受 GIL 的影响，可以在多核处理器上真正实现并行执行。因此，对于一些计算密集型的任务，使用多进程可以显著提高性能。

示例代码：

import multiprocessing

def task(num):
    for i in range(num):
        print(f"Process {multiprocessing.current_process().name} is running task {i}")

if __name__ == '__main__':
    processes = []
    for i in range(4):
        p = multiprocessing.Process(target=task, args=(10,))
        processes.append(p)
        p.start()

    for p in processes:
        p.join()

2. 释放 GIL

在某些情况下，可以通过释放 GIL 来提高 Python 多线程的性能。GIL 释放可以允许多个线程同时执行 Python 字节码，从而减少 GIL 争用。

示例代码：

import threading

def task():
    # 获取 GIL
    threading.current_thread().acquire()

    # 释放 GIL
    threading.current_thread().release()

    # 继续执行任务

if __name__ == '__main__':
    threads = []
    for i in range(4):
        t = threading.Thread(target=task)
        threads.append(t)
        t.start()

    for t in threads:
        t.join()