版权声明：qq：1263351411 https://blog.csdn.net/u013008795/article/details/91357862
Python中的全局解释器锁
数据结构和GIL
- Queue
- 标准库queue模块，提供FIFO的Queue、LIFO的队列、优先队列。
- Queue类是线程安全的，适用于多线程间安全的交换数据。内部使用了Lock和Condition。
- 在自定义容器类中，如果不加锁，是不可能获得准确的大小的，因为你刚读取到了一个大小，还没有取走数据，就有可能被其他线程改 了。
- Queue类的size虽然加了锁，但是，依然不能保证立即get、put就能成功，因为读取大小和get、put方法是分开的。
import queue
q = queue.Queue(8)
if q.qsize() == 7:
q.put() #上下两句可能会被打断
if q.qsize() == 1:
q.get() #未必会成功，同样上下两句会被打断
GIL全局解释器锁
-
CPython 在解释器进程级别有一把锁，叫做GIL，即全局解释器锁。
-
GIL 保证CPython进程中，只有一个线程执行字节码。甚至是在多核CPU的情况下，也只允许同时只能有一个CPU 上运行该进程的一个线程。
-
CPython中
- IO密集型，某个线程阻塞，就会调度其他就绪线程；
- CPU密集型，当前线程可能会连续的获得GIL，导致其它线程几乎无法使用CPU。
-
在CPython中由于有GIL存在，IO密集型，使用多线程较为合算；CPU密集型，使用多进程，要绕开GIL。
新版CPython正在努力优化GIL的问题，但不是移除。
如果在意多线程的效率问题，请绕行，选择其它语言erlang、Go等。
- Python中绝大多数内置数据结构的读、写操作都是原子操作。
- 由于GIL的存在，Python的内置数据类型在多线程编程的时候就变成了安全的了，但是实际上它们本身 不是 线程安全类型。
保留GIL的原因：
Guido坚持的简单哲学，对于初学者门槛低，不需要高深的系统知识也能安全、简单的使用Python。
而且移除GIL，会降低CPython单线程的执行效率。
- 测试下面两个计算密集型代码，会发现计算实际差不多
单线程计算
import datetime
def calc():
sum = 0
for _ in range(1000000000): #10亿
sum += 1
start = datetime.datetime.now()
for i in range(4):
calc()
dalta = (datetime.datetime.now() - start).total_seconds()
print("耗时：{}".format(dalta))
多线程计算
import datetime
import threading
def calc():
sum = 0
for _ in range(1000000000): #10亿
sum += 1
start = datetime.datetime.now()
for i in range(4):
threading.Thread(target=calc).start()
for i in threading.enumerate():
if i.name != "MainThread":
i.join()
dalta = (datetime.datetime.now() - start).total_seconds()
print("耗时：{}".format(dalta))
注意，不要在代码中出现print等访问IO的语句。访问IO，线程阻塞，会释放GIL锁，其他线程被调度。
程序1是单线程程序，所有calc()依次执行，根本就不是并发。在主线程内，函数串行执行。
程序2是多线程程序，calc()执行在不同的线程中，但是由于GIL的存在，线程的执行变成了假并发。但是这些线程 可以被调度到不同的CPU核心上执行，只不过GIL让同一时间该进程只有一个线程被执行。
从两段程序测试的结果来看，CPython中多线程根本没有任何优势，和一个线程执行时间相当。因为GIL的存在， 尤其是像上面的计算密集型程序，和单线程串行效果相当。这样，实际上就没有用上CPU多核心的优势。