全局解釋器鎖(GIL)只允許1個Python線程控制Python解釋器。這也就意味著同一時間點只能有1個Python線程運行。如果你的Python程序只有一個線程，那么全局解釋器鎖可能對你的影響不大，但是如果你的程序是CPU密集型同時使用了多線程，那么程序運行可能會受到很大影響。全局解釋器鎖在Python中飽受詬病，但是它確實為Python內存處理提供了方便。

什么是全局解釋器鎖

Python通過引用計數的方法來管理內存，每一個內存對象都會有一個引用計數，如果一個對象的引用計數變為0，那么該對象所占用的內存就會被釋放。比如

import sys

a = []

b = a

sys.getrefcount(a)

## 3

在上述代碼中，空列表對象在內存中被引用了3次，即分別被a和b引用，同時被sys.getrefcount()調用。

但是，如果一個對象同時被多個線程來引用，那么引用計數可能同時增加或減少，每個線程按照自己的方式進行計數，對象在整個內存中的引用變得十分混亂，很容易造成內存泄漏或者其他很多不可預見的Bug。一個解決辦法給就是每個線程都給引用計數加一個鎖，阻止別人修改，不過這樣會造成鎖死現象(比如一個對象有多個鎖時)，另外，大量的資源會浪費在加鎖解鎖的過程了，嚴重拖慢了程序運行速度。

這個時候，就需要一個統一來管理引用計數的機制，以確保對象引用計數準確、安全。全局解釋器鎖就是用來處理這種情況的。它既避免了不同線程帶來的引用計數混亂，又避免了過多線程鎖帶來的死鎖和運行效率低的問題。

雖然全局解釋器鎖解決了對象引用計數的問題，但隨之而來的是，很多CPU密集型任務在全局解釋器鎖的作用下，實際上變成了單線程，不能充分發揮CPU的算力，影響程序速度。

全局解釋器鎖并不是Python獨有的，其他一些語言，比如Ruby也存在全局解釋器鎖。還有一些語言沒有使用引用計數的方式來管理內容，而是使用垃圾回收機制(GC)來管理內存。雖然這樣避免了全局解釋器鎖，但是在單線程處理上，GC并不占有優勢。

為什么Python選擇全局解釋器鎖

Python在設計之初，就選擇了全局解釋器鎖用來管理內存引用計數，在當時，操作系統還沒有線程的概念，所以全局解釋器鎖并沒有帶了弊端，反而給開發者帶來了很多方便。

很多Python的擴展都是使用C語言庫來編寫的，這些C編寫的擴展需要全局解釋器鎖來確保線程的內存安全。即便是有些C語言庫內存處理上不是很安全，那么在Python中全局解釋器鎖的作用下，也能很好的發揮作用。

所以，全局解釋器鎖對早期使用CPython做解釋器的開發者來說，解決了很多內存管理的問題。

全局解釋器鎖對多線程的影響

首先我們應該區分不同性質的任務，有一些是CPU密集型的任務，有一些是I/O密集型的任務。

CPU密集型的任務在最大程度上使用了CPU，比如數學矩陣的計算、圖像處理、文件解壓縮等。

I/O密集型任務在需要花費很多時間來等待信息的輸入和輸出(讀寫)，比如從網址下載內容，大量訪問磁盤進行讀寫等。

如果是CPU密集型任務，比如下面我們進行倒計時，使用單線程：

# 單線程

import time

from threading import Thread

COUNT = 50000000

def countdown(n):

while n>0:

n -= 1

start = time.time()

countdown(COUNT)

end = time.time()

print('Time taken in seconds -', end - start)

# Time taken in seconds - 6.20024037361145

最后倒計時完成，一共用了6.2秒

使用多線程

# 使用多線程

import time

from threading import Thread

COUNT = 50000000

def countdown(n):

while n>0:

n -= 1

t1 = Thread(target=countdown, args=(COUNT//2,))

t2 = Thread(target=countdown, args=(COUNT//2,))

start = time.time()

t1.start()

t2.start()

t1.join()

t2.join()

end = time.time()

print('Time taken in seconds -', end - start)

# Time taken in seconds - 6.924342632293701

最后用了6.9秒！

可以看出來，對于這個CPU密集型的任務，多線程使用的時間竟然比單線程還多，使用多線程并沒有達到我們縮短運行時間的目的。這就是全局解釋器鎖帶來的問題。但是如果是I/O密集型的任務，全局解釋器鎖就不會再有這種影響，各個線程在等待I/O的時候可以共享鎖。

為什么全局解釋器鎖還保留在Python中

首先全局解釋器鎖一直在Python中使用，如果在某個版本中移除了全局解釋器鎖，會帶來各種兼容性問題，尤其是對于Python這種有大量開發者的編程語言來說，稍微一點變動都會帶來巨大的影響。另外，很多C語言編寫的擴展嚴重依賴于局解釋器鎖。況且，如果移除了全局解釋器鎖，那么又可能會造成單線程或者I/O多線程處理速度的下降。

當Python從2.0升級到3.0的大版本升級時，實際上是有機遇改變全局解釋器鎖的。但是這使得Python3在處理單線程或者I/O多線程時，比Python2還慢！所以Python3中依舊保留了全局解釋器鎖。當然，在Python3中，對全局解釋器鎖進行了修改和優化，即減少I/O所線程使用全局解釋器鎖的機會，把更多的時間和機會留給CPU密集型多線程任務。另外，如果一個線程持續使用全局解釋器鎖一段時間后，程序會強制其釋放全局解釋器鎖，當然如果沒有其他線程請求使用全局解釋器鎖，那么該線程還可以繼續使用全局解釋器鎖。

我們應該應對全局解釋器鎖

既然全局解釋器鎖帶來一些問題，那么我們怎么來解決這些問題？這兒我們要說兩個不同的概念：

多進程(multi-processing) 和多線程(multi-threading)：

多進程是各個并行任務之間“不使用“共同的內存空間；而多線程的各個并行任務”使用“共同的內存空間。

1)多進程

優點：獨立內存空間；實現代碼直觀簡單；充分利用多核多CPU；避免全局解釋器鎖的限制；

缺點：無法實現對象和內容共享；需要較大的內存空間

2)多線程

優點：輕量，需要的額外內存較小；共享內存，方便訪問；對于CPython解釋器，可以通過全局解釋器鎖使用C擴展；適合I/O密集型任務

缺點：全局解釋器鎖的限制；并行任務不能殺掉；實現代碼較為復雜

我們通過多進程的形式來實現上面例子中的倒計時，

from multiprocessing import Pool

import time

COUNT = 50000000

def countdown(n):

while n>0:

n -= 1

if __name__ == '__main__':

pool = Pool(processes=2)

start = time.time()

r1 = pool.apply_async(countdown, [COUNT//2])

r2 = pool.apply_async(countdown, [COUNT//2])

pool.close()

pool.join()

end = time.time()

print('Time taken in seconds -', end - start)

# Time taken in seconds - 4.060242414474487

通過多進程只用了4秒，速度大大加快了。

另外，全局解釋器鎖存在于Cpython的解釋器中，如果你使用其他的Python解釋器，比如Jython(使用Java編寫), IronPython(使用C#編寫)和PyPy(使用Python編寫)，可能不會遇到全局解釋器鎖的情況。

總結

全局解釋器鎖在CPython中，限制了CPU密集型的多線程處理任務。遇到CPU密集型的多線程處理任務時，我們盡量使用多進程的方式來處理(multiprocessing)。

=====》》》《《《《======

擴展：在R、Python和shell中如何實現多進程處理：

資料來源：

總結

以上是生活随笔為你收集整理的c语言的锁和Python锁,Python中全局解释器锁、多线程和多进程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。