Python GIL（Global Interpreter Lock)

Posted 2020-11-09 战争热诚

一，介绍

定义：
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.)

　　结论：在Cpython解释器中，同一个进程下开启的多线程，同一时刻只能有一个线程执行，无法利用多核优势

　　

    首先需要明确的一点是GIL并不是Python的特性，它是在实现Python解析器(CPython)时
所引入的一个概念。就好比C++是一套语言（语法）标准，但是可以用不同的编译器来编译成
可执行代码。有名的编译器例如GCC，INTEL C++，Visual C++等。Python也一样，同样
一段代码可以通过CPython，PyPy，Psyco等不同的Python执行环境来执行。像其中的JPython
就没有GIL。然而因为CPython是大部分环境下默认的Python执行环境。所以在很多人的概念
里CPython就是Python，也就想当然的把GIL归结为Python语言的缺陷。

    所以这里要先明确一点：GIL并不是Python的特性，Python完全可以不依赖于GIL

二，GIL介绍

　　GIL本质就是一把互斥锁，既然是互斥锁，所有互斥锁的本质都一样，都是将并发运行变成串行，以此来控制同一时间内共享数据只能被一个任务所修改，进而保证数据安全。

　　可以肯定的一点是：保护不同的数据的安全，就应该加不同的锁。

　　要想了解GIL，首先确定一点：每次执行python程序，都会产生一个独立的进程。例如python test.py，python aaa.py，python bbb.py会产生3个不同的python进程

验证python test.py 只会产生一个进程

\'\'\'
#验证python test.py只会产生一个进程
#test.py内容
import os,time
print(os.getpid())
time.sleep(1000)
\'\'\'
python3 test.py 
#在windows下
tasklist |findstr python
#在linux下
ps aux |grep python

　　在一个python的进程内，不仅有test.py的主线程或者由该主线程开启的其他线程，还有解释器开启的垃圾回收等解释器级别的线程，总之，所有线程都运行在这一个进程内，毫无疑问

    1 所有数据都是共享的，这其中，代码作为一种数据也是被所有线程共享的
（test.py的所有代码以及Cpython解释器的所有代码）

    例如：test.py定义一个函数work（代码内容如下图），在进程内所有线程都能访问到work的代码，
于是我们可以开启三个线程然后target都指向该代码，能访问到意味着就是可以执行。

    2 所有线程的任务，都需要将任务的代码当做参数传给解释器的代码去执行，即所有
的线程要想运行自己的任务，首先需要解决的是能够访问到解释器的代码。

综上：

　　如果多个线程的target=work，那么执行流程是

　　多个线程先访问到解释器的代码，即拿到执行权限，然后将target的代码交给解释器的代码去执行

　　解释器的代码是所有线程共享的，所以垃圾回收线程也可能访问到解释器的代码而去执行，这就导致了一个问题:对于同一个数据100，可能线程1执行x=100的同时，而垃圾回收执行的是回收100的操作，解决这种问题没有什么高明的方法，就是加锁处理，如下图的GIL，保证python解释器同一时间只能执行一个任务的代码

三，GIL与Lock

　　机智的同学可能会问到这个问题：Python已经有一个GIL来保证同一时间只能有一个线程来执行了，为什么这里还需要lock?

　　首先，我们需要达成共识：锁的目的是为了保护共享的数据，同一时间只能有一个线程来修改共享的数据

　　然后，我们可以得出结论：保护不同的数据就应该加不同的锁。

　　最后，问题就很明朗了，GIL 与Lock是两把锁，保护的数据不一样，前者是解释器级别的（当然保护的就是解释器级别的数据，比如垃圾回收的数据），后者是保护用户自己开发的应用程序的数据，很明显GIL不负责这件事，只能用户自定义加锁处理，即Lock

　　GIL保护的是解释器级别的数据，保护用户自己的数据则需要自己加锁处理，如下图：

分析：

    1、100个线程去抢GIL锁，即抢执行权限

    2、肯定有一个线程先抢到GIL（暂且称为线程1），然后开始执行，一旦执行就会拿到lock.acquire()

    3、极有可能线程1还未运行完毕，就有另外一个线程2抢到GIL，然后开始运行，但
线程2发现互斥锁lock还未被线程1释放，于是阻塞，被迫交出执行权限，即释放GIL

    4、直到线程1重新抢到GIL，开始从上次暂停的位置继续执行，直到正常释放互斥
锁lock，然后其他的线程再重复2 3 4的过程

　　

代码示例：

# _*_ coding: utf-8 _*_ 
from threading import Thread
from threading import Lock
import time

n =100
def task():
    global n
    mutex.acquire()
    temp = n
    time.sleep(0.1)
    n = temp - 1
    mutex.release()

if __name__ == \'__main__\':
    mutex = Lock()
    t_l = []
    for i in range(100):
        t = Thread(target=task)
        t_l.append(t)
        t.start()

    for t in t_l:
        t.join()
    print("主",n)

　　结果：肯定为0，由原来的并发执行变为串行，牺牲了执行效率保证了数据安全，不加锁则结果可能为99

主 0

　　

四，GIL与多线程

　　有了GIL的存在，同一时刻同一进程中只有一个线程被执行

　　听到这里，有的同学立马质问：进程可以利用多核，但是开销大，而python的多线程开销小，但却无法利用多核优势，也就是说python没用了？

 所以说 要解决这个问题，我们需要在几个点上达成一致：

    1. cpu到底是用来做计算的，还是用来做I/O的？

    2. 多cpu，意味着可以有多个核并行完成计算，所以多核提升的是计算性能

    3. 每个cpu一旦遇到I/O阻塞，仍然需要等待，所以多核对I/O操作没什么用处 

　　

　　一个工人相当于cpu，此时计算相当于工人在干活，I/O阻塞相当于为工人干活提供所需原材料的过程，工人干活的过程中如果没有原材料了，则工人干活的过程需要停止，直到等待原材料的到来。

　　如果你的工厂干的大多数任务都要有准备原材料的过程（I/O密集型），那么你有再多的工人，意义也不大，还不如一个人，在等材料的过程中让工人去干别的活，

　　反过来讲，如果你的工厂原材料都齐全，那当然是工人越多，效率越高

结论：

　　对计算来说，cpu越多越好，但是对于I/O来说，再多的cpu也没用

　　当然对运行一个程序来说，随着cpu的增多执行效率肯定会有所提高（不管
提高幅度多大，总会有所提高），这是因为一个程序基本上不会是纯计算或者
纯I/O，所以我们只能相对的去看一个程序到底是计算密集型还是I/O密集型，
从而进一步分析python的多线程到底有无用武之地

假设我们有四个任务需要处理，处理方式肯定是需要玩出并发的效果，解决方案可以是：

    方案一：开启四个进程

    方案二：一个进程下，开启四个线程

单核情况下，分析结果：

    如果四个任务是计算密集型，没有多核来并行计算，方案一徒增了创建进程的开销。方案二胜
    
    如果四个任务是I/O密集型，方案一创建进程的开销大，且金成德切换速度远不如线程，方案二胜

多核情况下，分析结果：

    如果四个任务是计算密集型，多核意味着并行计算，在python中一个进程中同一时刻只有一个线程执行，并不上多核。方案一胜
    
    如果四个任务是I/O密集型，再多的核也解决不了I/O问题，方案二胜

结论：

    现在的计算机基本上都是多核，python对于计算密集型的任务开多线程的效率并不能带来
多大性能上的提升，甚至不如串行(没有大量切换)，但是，对于IO密集型的任务效率还是有显
著提升的。

　　

五，多线程性能测试

如果并发的多个任务是计算密集型：多进程效率高

# _*_ coding: utf-8 _*_
#计算密集型用多进程
from multiprocessing import Process
from threading import Thread
import os
import time

def work():
    res = 0
    for i in range(100000000):
        res *= 1

if  __name__ == \'__main__\':
    l = []
    print(os.cpu_count())
    start = time.time()
    for i in range(8):
        # p = Process(target=work)
        #run time is :43.401108741760254
        t = Thread(target=work)
        #run time is : 62.395447731018066
        # l.append(p)
        # p.start()
        l.append(t)
        t.start()
    for t in l:
        t.join()
    # for p in l:
    #     p.join()
    stop = time.time()
    print(\'run time is :\',(stop-start))

　　

如果并发的多个任务是I/O密集型：多线程效率高

#IO密集型用多线程
from multiprocessing import Process
from threading import Thread
import os
import time

def work():
    time.sleep(0.5)

if  __name__ == \'__main__\':
    l = []
    print(os.cpu_count())
    start = time.time()
    for i in range(400):
        # p = Process(target=work)  #run time is : 39.320624113082886
        p = Thread(target=work)      #run time is : 0.5927295684814453
        l.append(p)
        p.start()
    for p in l:
        p.join()
    stop = time.time()
    print(\'run time is :\',(stop-start))

　　

应用：

    多线程用于IO密集型，如socket 爬虫 ，web

    多进程用于计算密集型，如金融分析

　　

 六，死锁现象

　　所谓死锁就是指两个或者两个以上的进程或者线程在执行过程中，因争夺资源而造成的一种互相等待的现象，若无外力作用，他们都将无法推进下去，此时称系统处于死锁状况或系统产生了死锁，这些永远在互相等待的进程称为死锁进程。

from threading import Thread,Lock
import time
mutexA=Lock()
mutexB=Lock()

class MyThread(Thread):
    def run(self):
        self.func1()
        self.func2()
    def func1(self):
        mutexA.acquire()
        print(\'\\033[41m%s 拿到A锁\\033[0m\' %self.name)

        mutexB.acquire()
        print(\'\\033[42m%s 拿到B锁\\033[0m\' %self.name)
        mutexB.release()

        mutexA.release()

    def func2(self):
        mutexB.acquire()
        print(\'\\033[43m%s 拿到B锁\\033[0m\' %self.name)
        time.sleep(2)

        mutexA.acquire()
        print(\'\\033[44m%s 拿到A锁\\033[0m\' %self.name)
        mutexA.release()

        mutexB.release()

if __name__ == \'__main__\':
    for i in range(10):
        t=MyThread()
        t.start()

　　执行效果

Thread-1 拿到A锁
Thread-1 拿到B锁
Thread-1 拿到B锁
Thread-2 拿到A锁




 #出现死锁，整个程序阻塞住

七，递归锁

　　死锁的解决方法是是使用递归锁，递归锁，是在python中为了支持在同一线程中多次请求同一资源，python提供了可重入锁RLock

　　这个RLock内部维护着一个Lock和一个counter变量，counter记录了acquire的次数，从而使得资源可以被多次require。直到一个线程所有的acquire都被release，其他的线程才能获得资源。上面的例子如果使用RLock代替Lock，则不会发生死锁，二者的区别是：递归锁可以连续acquire多次，而互斥锁只能acquire一次。

from threading import Thread,RLock
import time

mutexA=mutexB=RLock()
 #一个线程拿到锁，counter加1,该线程内又碰到加锁的情况，则counter继续加1，
#这期间所有其他线程都只能等待，等待该线程释放所有锁，即counter递减到0为止

class MyThread(Thread):
    def run(self):
        self.func1()
        self.func2()
    def func1(self):
        mutexA.acquire()
        print(\'\\033[41m%s 拿到A锁\\033[0m\' %self.name)

        mutexB.acquire()
        print(\'\\033[42m%s 拿到B锁\\033[0m\' %self.name)
        mutexB.release()

        mutexA.release()

    def func2(self):
        mutexB.acquire()
        print(\'\\033[43m%s 拿到B锁\\033[0m\' %self.name)
        time.sleep(2)

        mutexA.acquire()
        print(\'\\033[44m%s 拿到A锁\\033[0m\' %self.name)
        mutexA.release()

        mutexB.release()

if __name__ == \'__main__\':
    for i in range(10):
        t=MyThread()
        t.start()

　　结果：

Thread-1 拿到了A锁
Thread-1 拿到了B锁
Thread-1 拿到了B锁
Thread-1 拿到了A锁
Thread-2 拿到了A锁
Thread-2 拿到了B锁
Thread-2 拿到了B锁
Thread-2 拿到了A锁
Thread-4 拿到了A锁
Thread-4 拿到了B锁
Thread-4 拿到了B锁
Thread-4 拿到了A锁
Thread-6 拿到了A锁
Thread-6 拿到了B锁
Thread-6 拿到了B锁
Thread-6 拿到了A锁
Thread-8 拿到了A锁
Thread-8 拿到了B锁
Thread-8 拿到了B锁
Thread-8 拿到了A锁
Thread-10 拿到了A锁
Thread-10 拿到了B锁
Thread-10 拿到了B锁
Thread-10 拿到了A锁
Thread-5 拿到了A锁
Thread-5 拿到了B锁
Thread-5 拿到了B锁
Thread-5 拿到了A锁
Thread-9 拿到了A锁
Thread-9 拿到了B锁
Thread-9 拿到了B锁
Thread-9 拿到了A锁
Thread-7 拿到了A锁
Thread-7 拿到了B锁
Thread-7 拿到了B锁
Thread-7 拿到了A锁
Thread-3 拿到了A锁
Thread-3 拿到了B锁
Thread-3 拿到了B锁
Thread-3 拿到了A锁

八，信号量

　　信号量也是一把锁，可以指定信号量为5，对比互斥锁同一时间只能有一个任务抢到锁去执行，信号量同一时间可以有5个任务拿到锁去执行，如果说互斥锁是合租房屋的人去抢一个厕所，那么信号量就相当于一群路人争抢公共厕所，公共厕所有多个坑位，这意味着同一时间可以有多个人上公共厕所，但公共厕所容纳的人数是一定的，这便是信号量的大小

from threading import Thread,Semaphore
import threading
import time

def func():
    sm.acquire()
    print(\'%s get sm\' %threading.current_thread().getName())
    time.sleep(3)
    sm.release()

if __name__ == \'__main__\':
    sm=Semaphore(5)
    for i in range(23):
        t=Thread(target=func)
        t.start()

　　解析：

Semaphore管理一个内置的计数器，
每当调用acquire()时内置计数器-1；
调用release() 时内置计数器+1；
计数器不能小于0；当计数器为0时，acquire()将阻塞线程直到其他线程调用release()。

　　与进程池是完全不同的概念，进程池Pool(4)，最大只能产生4个进程，而且从头到尾都只是这四个进程，不会产生新的，而信号量是产生一堆线程/进程

九，Event

　　同进程的一样

　　线程的一个关键特性是每个线程都是独立运行且状态不可预测。如果程序中的其 他线程需要通过判断某个线程的状态来确定自己下一步的操作,这时线程同步问题就会变得非常棘手。为了解决这些问题,我们需要使用threading库中的Event对象。 对象包含一个可由线程设置的信号标志,它允许线程等待某些事件的发生。在 初始情况下,Event对象中的信号标志被设置为假。如果有线程等待一个Event对象, 而这个Event对象的标志为假,那么这个线程将会被一直阻塞直至该标志为真。一个线程如果将一个Event对象的信号标志设置为真,它将唤醒所有等待这个Event对象的线程。如果一个线程等待一个已经被设置为真的Event对象,那么它将忽略这个事件, 继续执行

event.isSet()：返回event的状态值；

event.wait()：如果 event.isSet()==False将阻塞线程；

event.set()： 设置event的状态值为True，所有阻塞池的线程激活进入就绪状态， 等待操作系统调度；

event.clear()：恢复event的状态值为False。

 

 

 

　　例如，有多个工作线程尝试链接MySQL，我们想要在链接前确保MySQL服务正常才让那些工作线程去连接MySQL服务器，如果连接不成功，都会去尝试重新连接。那么我们就可以采用threading.Event机制来协调各个工作线程的连接操作

from threading import Thread,Event
import threading
import time,random
def conn_mysql():
    count=1
    while not event.is_set():
        if count > 3:
            raise TimeoutError(\'链接超时\')
        print(\'<%s>第%s次尝试链接\' % (threading.current_thread().getName(), count))
        event.wait(0.5)
        count+=1
    print(\'<%s>链接成功\' %threading.current_thread().getName())


def check_mysql():
    print(\'\\033[45m[%s]正在检查mysql\\033[0m\' % threading.current_thread().getName())
    time.sleep(random.randint(2,4))
    event.set()
if __name__ == \'__main__\':
    event=Event()
    conn1=Thread(target=conn_mysql)
    conn2=Thread(target=conn_mysql)
    check=Thread(target=check_mysql)

    conn1.start()
    conn2.start()
    check.start()

十，条件Condition（了解）

　　使线程等待，只有满足了某条件时，才能释放n个线程。

import threading
 
def run(n):
    con.acquire()
    con.wait()
    print("run the thread: %s" %n)
    con.release()
 
if __name__ == \'__main__\':
 
    con = threading.Condition()
    for i in range(10):
        t = threading.Thread(target=run, args=(i,))
        t.start()
 
    while True:
        inp = input(\'>>>\')
        if inp == \'q\':
            break
        con.acquire()
        con.notify(int(inp))
        con.release()

 

def condition_func():

    ret = False
    inp = input(\'>>>\')
    if inp == \'1\':
        ret = True

    return ret


def run(n):
    con.acquire()
    con.wait_for(condition_func)
    print("run the thread: %s" %n)
    con.release()

if __name__ == \'__main__\':

    con = threading.Condition()
    for i in range(10):
        t = threading.Thread(target=run, args=(i,))
        t.start()

　　

十一，定时器

　　定时器指定n秒后执行某操作，比如定时炸弹

from threading import Timer
 
 
def hello():
    print("hello, world")
 
t = Timer(1, hello)
t.start()  # after 1 seconds, "hello, world" will be printed

　　验证码定时器

from threading import Timer
import random,time

class Code:
    def __init__(self):
        self.make_cache()

    def make_cache(self,interval=5):
        self.cache=self.make_code()
        print(self.cache)
        self.t=Timer(interval,self.make_cache)
        self.t.start()

    def make_code(self,n=4):
        res=\'\'
        for i in range(n):
            s1=str(random.randint(0,9))
            s2=chr(random.randint(65,90))
            res+=random.choice([s1,s2])
        return res

    def check(self):
        while True:
            inp=input(\'>>: \').strip()
            if inp.upper() ==  self.cache:
                print(\'验证成功\',end=\'\\n\')
                self.t.cancel()
                break


if __name__ == \'__main__\':
    obj=Code()
    obj.check()

验证码定时器