文章作者：盧鈞軼(cenalulu) 本文原文地址：http://cenalulu.github.io/python/gil-in-python/ ，對文章做了適當的修改，加入了一些自己的理解。
CPU-bound(計算密集型) 和I/O bound(I/O密集型)
計算密集型任務(CPU-bound) 的特點是要進行大量的計算，占據着主要的任務，消耗CPU資源，一直處於滿負荷狀態。比如復雜的加減乘除、計算圓周率、對視頻進行高清解碼等等，全靠CPU的運算能力。這種計算密集型任務雖然也可以用多任務完成，但是任務越多，花在任務切換的時間就越多，CPU執行任務的效率就越低，所以，要最高效地利用CPU，計算密集型任務同時進行的數量應當等於CPU的核心數。
計算密集型任務由於主要消耗CPU資源，因此，代碼運行效率至關重要。Python這樣的腳本語言運行效率很低，完全不適合計算密集型任務。對於計算密集型任務，最好用C語言編寫。
IO密集型任務(I/O bound)的特點是指磁盤IO、網絡IO占主要的任務，CPU消耗很少，任務的大部分時間都在等待IO操作完成（因為IO的速度遠遠低於CPU和內存的速度）。
IO密集型任務執行期間，99%的時間都花在IO上，花在CPU上的時間很少，因此，用運行速度極快的C語言替換用Python這樣運行速度極低的腳本語言，完全無法提升運行效率。
對於IO密集型任務，任務越多，CPU效率越高，但也有一個限度。常見的大部分任務都是IO密集型任務，比如請求網頁、讀寫文件等。當然我們在Python中可以利用sleep達到IO密集型任務的目的。
對於IO密集型任務，最合適的語言就是開發效率最高（代碼量最少）的語言，腳本語言是首選，C語言最差。
什么是GIL（Global Interpreter Lock）
首先需要明確的一點是GIL並不是Python的特性，它是在實現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）標准，但是可以用不同的編譯器來編譯成可執行代碼。有名的編譯器例如GCC，INTEL C++，Visual C++等。Python也一樣，同樣一段代碼可以通過CPython，PyPy，Psyco等不同的Python執行環境來執行。像其中的JPython就沒有GIL。然而因為CPython是大部分環境下默認的Python執行環境。所以在很多人的概念里CPython就是Python，也就想當然的把GIL歸結為Python語言的缺陷。所以這里要先明確一點：GIL並不是Python的特性，Python完全可以不依賴於GIL。
1. 設置GIL
2. 切換到一個線程去運行
3. 運行：
a. 指定數量的字節碼指令，或者
b. 線程主動讓出控制（可以調用time.sleep(0)）
4. 把線程設置為睡眠狀態
5. 解鎖GIL
6. 再次重復以上所有步驟
為什么會有GIL
由於物理上得限制，各CPU廠商在核心頻率上的比賽已經被多核所取代。為了更有效的利用多核處理器的性能，就出現了多線程的編程方式，而隨之帶來的就是線程間數據一致性和狀態同步的困難。即使在CPU內部的Cache也不例外，為了有效解決多份緩存之間的數據同步時各廠商花費了不少心思，也不可避免的帶來了一定的性能損失。
Python當然也逃不開，為了利用多核，Python開始支持多線程。而解決多線程之間數據完整性和狀態同步的最簡單方法自然就是加鎖。 於是有了GIL這把超級大鎖，而當越來越多的代碼庫開發者接受了這種設定后，他們開始大量依賴這種特性（即默認python內部對象是thread-safe的，無需在實現時考慮額外的內存鎖和同步操作）。
慢慢的這種實現方式被發現是蛋疼且低效的。但當大家試圖去拆分和去除GIL的時候，發現大量庫代碼開發者已經重度依賴GIL而非常難以去除了。有多難？做個類比，像MySQL這樣的“小項目”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，本且仍在繼續。MySQL這個背后有公司支持且有固定開發團隊的產品走的如此艱難，那又更何況Python這樣核心開發和代碼貢獻者高度社區化的團隊呢？
所以簡單的說GIL的存在更多的是歷史原因。如果推到重來，多線程的問題依然還是要面對，但是至少會比目前GIL這種方式會更優雅。
GIL設計原理及缺陷
基於pcode數量的調度方式
按照Python社區的想法，操作系統本身的線程調度已經非常成熟穩定了，沒有必要自己搞一套。所以Python的線程就是C語言的一個pthread，並通過操作系統調度算法進行調度（例如linux是CFS）。為了讓各個線程能夠平均利用CPU時間，python會計算當前已執行的微代碼數量，達到一定閾值后就強制釋放GIL。而這時也會觸發一次操作系統的線程調度（當然是否真正進行上下文切換由操作系統自主決定）。
任何Python線程執行前，必須先獲得GIL鎖，然后，每執行100條字節碼，解釋器就自動釋放GIL鎖，讓別的線程有機會執行。這個GIL全局鎖實際上把所有線程的執行代碼都給上了鎖，所以，多線程在Python中只能交替執行，即使100個線程跑在100核CPU上，也只能用到1個核。
偽代碼
while True:
acquire GIL
for i in 100:
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。任何一個線程被喚起時都能成功獲得到GIL（因為只有釋放了GIL才會引發線程調度）。但當CPU有多個核心的時候，問題就來了。從偽代碼可以看到，從release GIL到acquire GIL之間幾乎是沒有間隙的。所以當其他在其他核心上的線程被喚醒時，大部分情況下主線程已經又再一次獲取到GIL了。這個時候被喚醒執行的線程只能白白的浪費CPU時間，看着另一個線程拿着GIL歡快的執行着。然后達到切換時間后進入待調度狀態，再被喚醒，再等待，以此往復惡性循環。
PS：當然這種實現方式是原始而丑陋的，Python的每個版本中也在逐漸改進GIL和線程調度之間的互動關系。例如先嘗試持有GIL在做線程上下文切換，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線程調度的這個本來就昂貴的操作變得更奢侈了。
關於GIL影響的擴展閱讀
為了直觀的理解GIL對於多線程帶來的性能影響，這里直接借用的一張測試結果圖（見下圖）。圖中表示的是兩個線程在雙核CPU上得執行情況。兩個線程均為CPU密集型運算線程。綠色部分表示該線程在運行，且在執行有用的計算，紅色部分為線程被調度喚醒，但是無法獲取GIL導致無法進行有效運算等待的時間。
由圖可見，GIL的存在導致多線程無法很好的立即多核CPU的並發處理能力。
那么Python的IO密集型線程能否從多線程中受益呢？我們來看下面這張測試結果。顏色代表的含義和上圖一致。白色部分表示IO線程處於等待。可見，當IO線程收到數據包引起終端切換后，仍然由於一個CPU密集型線程的存在，導致無法獲取GIL鎖，從而進行無盡的循環等待。
簡單的總結下就是：Python的多線程在多核CPU上，只對於IO密集型計算產生正面效果；而當有至少有一個CPU密集型線程存在，那么多線程效率會由於GIL而大幅下降。
如何降低GIL的影響
用multiprocess替代Thread
multiprocess庫的出現很大程度上是為了彌補thread庫因為GIL而低效的缺陷。它完整的復制了一套thread所提供的接口方便遷移。唯一的不同就是它使用了多進程而不是多線程。每個進程有自己的獨立的GIL，因此也不會出現進程之間的GIL爭搶。
當然multiprocess也不是萬能良葯。它的引入會增加程序實現時線程間數據通訊和同步的困難。就拿計數器來舉例子，如果我們要多個線程累加同一個變量，對於thread來說，申明一個global變量，用thread.Lock的context包裹住三行就搞定了。而multiprocess由於進程之間無法看到對方的數據，只能通過在主線程申明一個Queue，put再get或者用share memory的方法。這個額外的實現成本使得本來就非常痛苦的多線程程序編碼，變得更加痛苦了。具體難點在哪有興趣的讀者可以擴展閱讀這篇文章
用其他解析器
之前也提到了既然GIL只是CPython的產物，那么其他解析器是不是更好呢？沒錯，像JPython和IronPython這樣的解析器由於實現語言的特性，他們不需要GIL的幫助。然而由於用了Java/C#用於解析器實現，他們也失去了利用社區眾多C語言模塊有用特性的機會。所以這些解析器也因此一直都比較小眾。畢竟功能和性能大家在初期都會選擇前者，Done is better than perfect。
總結
Python GIL其實是功能和性能之間權衡后的產物，它尤其存在的合理性，也有較難改變的客觀因素。從本分的分析中，我們可以做以下一些簡單的總結：
-
- 因為GIL的存在，只有IO Bound場景下得多線程會得到較好的性能
- 如果對並行計算性能較高的程序可以考慮把核心部分也成C模塊，或者索性用其他語言實現
- GIL在較長一段時間內將會繼續存在，但是會不斷對其進行改進