Python多线程是假的：理解Python的全局解释器锁(GIL)
Python是一种非常流行的编程语言，特别是在数据科学、Web 开发和自动化等领域。尽管 Python 的 threading 模块使得多线程编程看似简单，但很多开发者发现，Python 的多线程并不是真正的并行，这引出了“Python多线程是假的”这个说法。接下来，我们将逐步阐述这个概念，并通过实例代码帮助您理解这一主题。
流程概述
下面是我们将要探讨的步骤：
| 步骤 | 描述 |
|---|---|
| 1 | 了解全局解释器锁（GIL）的概念 |
| 2 | 创建多线程示例 |
| 3 | 观察性能和资源占用 |
| 4 | 使用多进程模块解决问题 |
| 5 | 总结并对比多线程与多进程的优缺点 |
步骤详解
1. 了解全局解释器锁（GIL）
在Python中，尤其是CPython实现中，存在一个称为全局解释器锁（GIL）的机制。简单来说，GIL限制了任何时刻只有一个线程可以执行Python字节代码，这使得多线程并不能发挥预期的并行性能。因此，当我们在Python中采用多线程时，我们往往会发现性能并没有显著提升。
2. 创建多线程示例
在这一部分，我们将创建一个简单的多线程例子，来观察它对CPU密集型任务的影响。
import threading
import time
# 定义一个简单的计算密集型任务
def compute_heavy_task(n):
print(f"开始计算{n}")
result = sum(i * i for i in range(n))
print(f"完成计算{n}, 结果为: {result}")
threads = []
for i in range(4):
t = threading.Thread(target=compute_heavy_task, args=(10_000_000,))
threads.append(t)
t.start()
# 等待所有线程结束
for t in threads:
t.join()
代码解释：
- 导入
threading和time模块。 - 定义一个叫
compute_heavy_task的函数，它进行一个计算密集型的操作。 - 创建并启动4个线程，每个线程执行相同的计算任务。
- 使用
join()方法确保主线程等待所有子线程完成。
3. 观察性能和资源占用
运行以上代码后，您会发现尽管启动了多个线程，程序的执行时间并没有大幅度减少。这是因为GIL限制了线程的并行执行。您可以使用 time 模块来记录执行时间，例如：
start_time = time.time()
# 上面的多线程代码...
end_time = time.time()
print(f"执行时间: {end_time - start_time:.2f}秒")
代码解释：
- 在多线程代码的前后分别使用
time.time()来测量程序的执行时间。
4. 使用多进程模块解决问题
为了绕过GIL，我们可以使用 multiprocessing 模块，这个模块能够充分利用多核处理器。在这里我们再实现一个使用多进程的相同示例。
import multiprocessing
import time
def compute_heavy_task(n):
print(f"开始计算{n}")
result = sum(i * i for i in range(n))
print(f"完成计算{n}, 结果为: {result}")
if __name__ == '__main__':
start_time = time.time()
processes = []
for i in range(4):
p = multiprocessing.Process(target=compute_heavy_task, args=(10_000_000,))
processes.append(p)
p.start()
# 等待所有进程结束
for p in processes:
p.join()
end_time = time.time()
print(f"执行时间: {end_time - start_time:.2f}秒")
代码解释：
- 导入
multiprocessing模块。 - 创建并启动4个进程，每个进程执行相同的计算任务。
- 与多线程示例一样，记录并输出执行时间。
5. 总结并对比多线程与多进程的优缺点
当我们使用Python进行并发编程时，了解和清楚使用多线程与多进程的区别尤为重要。
优缺点总结：
| 特性 | 多线程 | 多进程 |
|---|---|---|
| GIL影响 | 是 | 否 |
| 内存占用 | 较低 | 较高 |
| 启动时间 | 较快 | 较慢 |
| 适用场景 | I/O密集型任务 | CPU密集型任务 |
结论
Python的全局解释器锁（GIL）确实使得我们对于使用多线程的期待落空，导致“Python多线程是假的”这个说法。通过多线程的简单例子及性能测试，可以直观地感受到GIL的影响。为了解决这个问题，使用多进程是一个有效的替代方案，它可以充分利用多核CPU的优势。无论您选择哪种方法，理解它们各自的特点和适用场景是有效编程的关键。
erDiagram
THREAD {
string id
string task
}
PROCESS {
string id
string task
}
MAIN_THREAD ||--o{ THREAD : spawns
MAIN_PROCESS ||--o{ PROCESS : spawns
希望这篇文章对您理解Python的多线程与多进程有所帮助！
