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

文章歡迎轉(zhuǎn)載，但轉(zhuǎn)載時請保留本段文字算灸，并置于文章的頂部 作者：盧鈞軼(cenalulu) 本文原文地址：http://cenalulu.github.io/python/gil-in-python/

GIL是什么

首先需要明確的一點(diǎn)是GIL并不是Python的特性扼劈，它是在實(shí)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(biāo)準(zhǔn)菲驴，但是可以用不同的編譯器來編譯成可執(zhí)行代碼荐吵。有名的編譯器例如GCC，INTEL C++赊瞬，Visual C++等先煎。Python也一樣，同樣一段代碼可以通過CPython森逮，PyPy榨婆，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褒侧。然而因?yàn)镃Python是大部分環(huán)境下默認(rèn)的Python執(zhí)行環(huán)境良风。所以在很多人的概念里CPython就是Python，也就想當(dāng)然的把GIL歸結(jié)為Python語言的缺陷闷供。所以這里要先明確一點(diǎn)：GIL并不是Python的特性，Python完全可以不依賴于GIL

那么CPython實(shí)現(xiàn)中的GIL又是什么呢歪脏？GIL全稱Global Interpreter Lock為了避免誤導(dǎo)，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.)

為什么會有GIL

由于物理上得限制婿失，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豪硅，就出現(xiàn)了多線程的編程方式懒浮，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(fèi)了不少心思次伶，也不可避免的帶來了一定的性能損失。

Python當(dāng)然也逃不開冠王，為了利用多核，Python開始支持多線程版确。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扣囊。 于是有了GIL這把超級大鎖，而當(dāng)越來越多的代碼庫開發(fā)者接受了這種設(shè)定后绒疗，他們開始大量依賴這種特性（即默認(rèn)python內(nèi)部對象是thread-safe的侵歇，無需在實(shí)現(xiàn)時考慮額外的內(nèi)存鎖和同步操作）。

慢慢的這種實(shí)現(xiàn)方式被發(fā)現(xiàn)是蛋疼且低效的吓蘑。但當(dāng)大家試圖去拆分和去除GIL的時候惕虑，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。有多難磨镶？做個類比溃蔫，像MySQL這樣的“小項(xiàng)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，并且仍在繼續(xù)琳猫。MySQL這個背后有公司支持且有固定開發(fā)團(tuán)隊的產(chǎn)品走的如此艱難伟叛，那又更何況Python這樣核心開發(fā)和代碼貢獻(xiàn)者高度社區(qū)化的團(tuán)隊呢？

所以簡單的說GIL的存在更多的是歷史原因脐嫂。如果推到重來统刮，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)雅账千。

GIL的影響

從上文的介紹和官方的定義來看侥蒙，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匀奏。甚至就幾乎等于Python是個單線程的程序鞭衩。 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娃善。只要在進(jìn)行耗時的IO操作的時候论衍，能釋放GIL，這樣也還是可以提升運(yùn)行效率的嘛聚磺∷瞧耄或者說再差也不會比單線程的效率差吧。理論上是這樣咧最，而實(shí)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矢沿。測試方法很簡單滥搭，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)行兩次捣鲸，一個多線程執(zhí)行瑟匆。最后比較執(zhí)行總時間。測試環(huán)境為雙核的Mac pro愁溜。注：為了減少線程庫本身性能損耗對測試結(jié)果帶來的影響外厂，這里單線程的代碼同樣使用了線程。只是順序的執(zhí)行兩次渐扮，模擬單線程墓律。

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%耻讽。按照之前的分析针肥，即使是有GIL全局鎖的存在祖驱，串行化的多線程也應(yīng)該和單線程有一樣的效率才對瞒窒。那么怎么會有這么糟糕的結(jié)果呢崇裁？

讓我們通過GIL的實(shí)現(xiàn)原理來分析這其中的原因。

當(dāng)前GIL設(shè)計的缺陷

基于pcode數(shù)量的調(diào)度方式

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

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洪己。任何一個線程被喚起時都能成功獲得到GIL（因?yàn)橹挥嗅尫帕薌IL才會引發(fā)線程調(diào)度）。但當(dāng)CPU有多個核心的時候逝钥，問題就來了艘款。從偽代碼可以看到沃琅，從release GIL到acquire GIL之間幾乎是沒有間隙的。所以當(dāng)其他在其他核心上的線程被喚醒時晌柬，大部分情況下主線程已經(jīng)又再一次獲取到GIL了年碘。這個時候被喚醒執(zhí)行的線程只能白白的浪費(fèi)CPU時間展鸡，看著另一個線程拿著GIL歡快的執(zhí)行著。然后達(dá)到切換時間后進(jìn)入待調(diào)度狀態(tài)涤久，再被喚醒，再等待悟衩，以此往復(fù)惡性循環(huán)栓拜。

PS：當(dāng)然這種實(shí)現(xiàn)方式是原始而丑陋的幕与，Python的每個版本中也在逐漸改進(jìn)GIL和線程調(diào)度之間的互動關(guān)系啦鸣。例如先嘗試持有GIL在做線程上下文切換来氧，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中狂。 關(guān)于GIL影響的擴(kuò)展閱讀

為了直觀的理解GIL對于多線程帶來的性能影響胃榕，這里直接借用的一張測試結(jié)果圖（見下圖）瞄摊。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(yùn)算線程换帜。綠色部分表示該線程在運(yùn)行，且在執(zhí)行有用的計算蹲嚣，紅色部分為線程被調(diào)度喚醒端铛，但是無法獲取GIL導(dǎo)致無法進(jìn)行有效運(yùn)算等待的時間疲眷。

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

那么Python的IO密集型線程能否從多線程中受益呢讯屈？我們來看下面這張測試結(jié)果涮母。顏色代表的含義和上圖一致躁愿。白色部分表示IO線程處于等待±春颍可見营搅，當(dāng)IO線程收到數(shù)據(jù)包引起終端切換后梆砸，仍然由于一個CPU密集型線程的存在，導(dǎo)致無法獲取GIL鎖峭拘，從而進(jìn)行無盡的循環(huán)等待鸡挠。

簡單的總結(jié)下就是：Python的多線程在多核CPU上拣展，只對于IO密集型計算產(chǎn)生正面效果缔逛；而當(dāng)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而大幅下降按脚。

如何避免受到GIL的影響

說了那么多辅搬，如果不說解決方案就僅僅是個科普帖脖旱，然并卵介蛉。GIL這么爛币旧，有沒有辦法繞過呢吹菱？我們來看看有哪些現(xiàn)成的方案彭则。

用multiprocessing替代Thread

multiprocessing庫的出現(xiàn)很大程度上是為了彌補(bǔ)thread庫因?yàn)镚IL而低效的缺陷。它完整的復(fù)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(jìn)程而不是多線程蚌成。每個進(jìn)程有自己的獨(dú)立的GIL凛捏，因此也不會出現(xiàn)進(jìn)程之間的GIL爭搶。

當(dāng)然multiprocessing也不是萬能良藥瓶盛。它的引入會增加程序?qū)崿F(xiàn)時線程間數(shù)據(jù)通訊和同步的困難惩猫。就拿計數(shù)器來舉例子蚜点，如果我們要多個線程累加同一個變量，對于thread來說奶镶，申明一個global變量厂镇，用thread.Lock的context包裹住三行就搞定了左刽。而multiprocessing由于進(jìn)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残黑，put再get或者用share memory的方法。這個額外的實(shí)現(xiàn)成本使得本來就非常痛苦的多線程程序編碼拭荤，變得更加痛苦了舅世。具體難點(diǎn)在哪有興趣的讀者可以擴(kuò)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)物奇徒，那么其他解析器是不是更好呢？沒錯罢低，像JPython和IronPython這樣的解析器由于實(shí)現(xiàn)語言的特性网持，他們不需要GIL的幫助长踊。然而由于用了Java/C#用于解析器實(shí)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(jī)會辟汰。所以這些解析器也因此一直都比較小眾帖汞。畢竟功能和性能大家在初期都會選擇前者凑术，Done is better than perfect。

所以沒救了么鹿鳖？

當(dāng)然Python社區(qū)也在非常努力的不斷改進(jìn)GIL翅帜，甚至是嘗試去除GIL命满。并在各個小版本中有了不少的進(jìn)步。有興趣的讀者可以擴(kuò)展閱讀這個Slide 另一個改進(jìn)Reworking the GIL

• 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)

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

• 因?yàn)镚IL的存在弧械，只有IO Bound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模塊空民，或者索性用其他語言實(shí)現(xiàn)
• GIL在較長一段時間內(nèi)將會繼續(xù)存在界轩，但是會不斷對其進(jìn)行改進(jìn)

Reference

Python’s hardest problem Official documents about GIL Revisiting thread priorities and the new GIL