這篇文章主要講解了“Python多進程,多線程及GIL全局解釋器鎖實例分析”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“Python多進程,多線程及GIL全局解釋器鎖實例分析”吧！
所謂的并行（Parallelism），就是多個彼此獨立的任務可以同時一起執行，彼此并不相互干擾，并行強調的是同時且獨立的運行，彼此不需要協作。
而所謂并發（Concurrency），則是多個任務彼此交替執行，但是同一時間只能有一個處于運行狀態，并發執行強調任務之間的彼此協作。
并發通常被誤解為并行，并發實際是隱式的調度獨立的代碼，以協作的方式運行。比如在等待IO線程完成IO操作之前，可以啟動IO線程之外的其他獨立代碼同步執行其他操作。
關于并發、并行的圖示，如下：
由于CPython解釋器中的全局解釋器鎖（GIL，Global Interpreter Lock）的存在，所以Python中的并行實際上是一種假并行，并不是真正意義上的同時獨立運行。
進程（Process）是操作系統層面的一個抽象概念，它是運行代碼創建出來的、加載到內存中運行的程序。電腦上通常運行著多個進程，這些進程之間是彼此獨立運行的。
線程（Thread）是操作系統可以調度的最小運行程序單位，其包含在進程中，一個進程中通常至少包含1個線程，一些進程中會包含多個線程。多個線程運行的都是父進程的相同代碼，理想情況下，這些線程是并行執行的，但由于GIL的存在，所以它們實際上是交替執行的，并不是真正意義上的獨立、并行的執行的。
下表是進程與線程的對比：
對于IO密集型的操作，更適合使用多線程編程的方式來解決問題；對于CPU密集型的操作，則更適合使用多進程編程的方式來解決問題。
Python中提供了一些模塊用于實現并行/并發編程，具體如下所示：
threading：Python中進行多線程編程的標準庫，是一個對_thread進行再封裝的高級模塊。multiprocessing：類似于threading模塊，提供的API接口也與threading模塊類似，不同的是它進行多進程編程。concurrent.futures：標準庫中的一個模塊，在線程編程模塊的基礎上抽象出來的更高級實現，且該模塊的編程為異步模式。queue：任務隊列模塊，queue中提供的隊列是線程安全的，所以可以使用這個模塊進行線程之間進行安全的數據交換操作。不支持分布式。celery：一個高級的分布式任務隊列，通過multiprocessing模塊或者gevent模塊可以實現隊列中人物的并發執行。支持多節點之間的分布式計算。 2.2. 通過編碼比較多進程與多線程的執行效果
在下面的代碼中，定義了兩個函數：only_sleep()以及crunch_numbers()，前者用于模擬IO密集型操作（需要頻繁中斷），后者用于模擬CPU密集型操作。
然后在串行調用、多線程的方式調用、多進程的方式調用，三種不同的執行環境中，比較各個函數的執行效率情況。
具體代碼以及執行結果如下所示：
import time
import datetime
import logging
import threading
import multiprocessing
FORMAT = "%(asctime)s [%(processName)s %(process)d] %(threadName)s %(thread)d <=%(message)s=>"
logging.basicConfig(format=FORMAT, level=logging.INFO, datefmt='%H:%M:%S')
def only_sleep():
"""
模擬IO阻塞型操作，此時多線程優勢明顯
:return:
"""
logging.info('in only_sleep function')
time.sleep(1)
def crunch_numbers():
"""
模擬CPU密集型操作，此時多進程優勢明顯
:return:
"""
logging.info('in crunch_numbers function')
x = 0
while x < 1000000:
x += 1
if __name__ == '__main__':
work_repeat = 4
print('==>> only_sleep function test')
count = 0
for func in (only_sleep, crunch_numbers):
count += 1
# run tasks serially
start1 = datetime.datetime.now()
for i in range(work_repeat):
func()
stop1 = datetime.datetime.now()
delta1 = (stop1 - start1).total_seconds()
print('Serial Execution takes {} seconds~'.format(delta1))
# run tasks with multi-threads
start2 = datetime.datetime.now()
thread_lst = [threading.Thread(target=func, name='thread-worker' + str(i)) for i in range(work_repeat)]
[thd.start() for thd in thread_lst]
[thd.join() for thd in thread_lst]
stop2 = datetime.datetime.now()
delta2 = (stop2 - start2).total_seconds()
print('Multi-Threads takes {} seconds~'.format(delta2))
# run tasks with multiprocessing
start3 = datetime.datetime.now()
proc_lst = [multiprocessing.Process(target=func, name='process-worker' + str(i)) for i in range(work_repeat)]
[thd.start() for thd in proc_lst]
[thd.join() for thd in proc_lst]
stop3 = datetime.datetime.now()
delta3 = (stop3 - start3).total_seconds()
print('Multi-Processing takes {} seconds~'.format(delta3))
if count == 1:
print('\n', '*.' * 30, end='\n\n')
print('==>> crunch_numbers function test')上述代碼的執行結果如下：
23:55:51 [MainProcess 568124] MainThread 182168 <=in only_sleep function=>
==>> only_sleep function test
23:55:52 [MainProcess 568124] MainThread 182168 <=in only_sleep function=>
23:55:53 [MainProcess 568124] MainThread 182168 <=in only_sleep function=>
23:55:54 [MainProcess 568124] MainThread 182168 <=in only_sleep function=>
23:55:55 [MainProcess 568124] thread-worker0 553012 <=in only_sleep function=>
23:55:55 [MainProcess 568124] thread-worker1 567212 <=in only_sleep function=>
23:55:55 [MainProcess 568124] thread-worker2 547252 <=in only_sleep function=>
23:55:55 [MainProcess 568124] thread-worker3 561892 <=in only_sleep function=>
Serial Execution takes 4.022761 seconds~
Multi-Threads takes 1.01416 seconds~
23:55:56 [process-worker0 563068] MainThread 567480 <=in only_sleep function=>
23:55:56 [process-worker1 567080] MainThread 567628 <=in only_sleep function=>
23:55:56 [process-worker2 567868] MainThread 563656 <=in only_sleep function=>
23:55:56 [process-worker3 567444] MainThread 566436 <=in only_sleep function=>
23:55:57 [MainProcess 568124] MainThread 182168 <=in crunch_numbers function=>
Multi-Processing takes 1.11466 seconds~*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.
==>> crunch_numbers function test
23:55:57 [MainProcess 568124] MainThread 182168 <=in crunch_numbers function=>
23:55:57 [MainProcess 568124] MainThread 182168 <=in crunch_numbers function=>
23:55:57 [MainProcess 568124] MainThread 182168 <=in crunch_numbers function=>
Serial Execution takes 0.1786 seconds~
23:55:57 [MainProcess 568124] thread-worker0 567412 <=in crunch_numbers function=>
23:55:57 [MainProcess 568124] thread-worker1 566468 <=in crunch_numbers function=>
23:55:57 [MainProcess 568124] thread-worker2 565272 <=in crunch_numbers function=>
23:55:57 [MainProcess 568124] thread-worker3 568044 <=in crunch_numbers function=>
Multi-Threads takes 0.195057 seconds~
23:55:58 [process-worker0 567652] MainThread 561892 <=in crunch_numbers function=>
23:55:58 [process-worker1 553012] MainThread 547252 <=in crunch_numbers function=>
23:55:58 [process-worker2 554024] MainThread 556500 <=in crunch_numbers function=>
23:55:58 [process-worker3 565004] MainThread 566108 <=in crunch_numbers function=>
Multi-Processing takes 0.155246 seconds~Process finished with exit code 0
從上述執行結果中可以看出：
上述代碼的執行結果也驗證了此前的結論：對于IO密集型操作，適合使用多線程編程的方式解決問題；而對于CPU密集型的操作，則適合使用多進程編程的方式解決問題。
GIL是CPython中實現的全局解釋器鎖 (Global Interpreter Lock)，由于CPython是使用最廣泛的Python解釋器，所以GIL也是Python世界中最飽受爭議的一個主題。
GIL是互斥鎖，其目的是為了確保線程安全，正是因為有了GIL，所以可以很方便的與外部非線程安全的模塊或者庫結合起來。但是這也是有代價的，由于有了GIL，所以導致Python中的并行并不是真正意義上的并行，所以也就無法同時創建兩個使用相同代碼段的線程，相同代碼的線程只能有一個處于執行狀態。因為GIL互斥鎖，相同代碼訪問的數據會被加鎖，只有當一個線程釋放鎖之后，相同代碼的另一個線程才能訪問未被加鎖的數據。
所以Python中的多線程是相互交替執行的，并不是真正的并行執行的。但是在CPython之外的一些庫，是可以實現真正意義上的并行的，比如numpy這個數據處理常用的庫。
感謝各位的閱讀，以上就是“Python多進程,多線程及GIL全局解釋器鎖實例分析”的內容了，經過本文的學習后，相信大家對Python多進程,多線程及GIL全局解釋器鎖實例分析這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
