上一篇：線程深入篇引入
Code：https://github.com/lotapp/BaseCode/tree/master/python/5.concurrent/Thread/3.GIL
說說GIL
盡管Python完全支持多線程編程， 但是解釋器的C語言實現部分在完全並行執行時並不是線程安全的，所以這時候才引入了GIL
解釋器被一個全局解釋器鎖保護着，它確保任何時候都只有一個Python線程執行(保證C實現部分能線程安全) GIL最大的問題就是Python的多線程程序並不能利用多核CPU的優勢 （比如一個使用了多個線程的計算密集型程序只會在一個單CPU上面運行）
注意：GIL只會影響到那些嚴重依賴CPU的程序（比如計算型的）如果你的程序大部分只會涉及到I/O，比如網絡交互，那么使用多線程就很合適 ~ 因為它們大部分時間都在等待（線程被限制到同一時刻只允許一個線程執行這樣一個執行模型。GIL會根據執行的字節碼行數和時間片來釋放GIL，在遇到IO操作的時候會主動釋放權限給其他線程）
所以Python的線程更適用於處理I/O和其他需要並發執行的阻塞操作，而不是需要多處理器並行的計算密集型任務（對於IO操作來說，多進程和多線程性能差別不大）【計算密集現在可以用Python的Ray框架】
網上摘取一段關於IO密集和計算密集的說明：（IO密集型可以結合異步）
計算密集型任務的特點是要進行大量的計算，消耗CPU資源，比如計算圓周率、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。
第二種任務的類型是IO密集型，涉及到網絡、磁盤IO的任務都是IO密集型任務，這類任務的特點是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）。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Web應用。
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，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。
Process and Thread Test
其實用不用多進程看你需求，不要麻木使用，Linux下還好點，Win下進程開銷就有點大了（好在服務器基本上都是Linux，程序員開發環境也大多Linux了）這邊只是簡單測了個啟動時間差距就來了，其他的都不用測試了
測試Code：
from time import sleep
from multiprocessing import Process
def test(i):
sleep(1)
print(i)
def main():
t_list = [Process(target=test, args=(i, )) for i in range(1000)]
for t in t_list:
t.start()
if __name__ == '__main__':
main()
運行時間：
real 0m3.980s
user 0m2.034s
sys 0m3.119s
操作系統幾千個進程開銷還是有點大的（畢竟進程是有上線的）ulimit -a
測試Code：
from time import sleep
from multiprocessing.dummy import Process
def test(i):
sleep(1)
print(i)
def main():
t_list = [Process(target=test, args=(i, )) for i in range(1000)]
for t in t_list:
t.start()
if __name__ == '__main__':
main()
運行時間：
real 0m1.130s
user 0m0.158s
sys 0m0.095s
multiprocessing.dummy里面的Process上面也說過了，就是在線程基礎上加點東西使得用起來和multiprocessing的Process編程風格基本一致（本質還是線程）
測試Code:
from time import sleep
from multiprocessing.dummy import threading
def test(i):
sleep(1)
print(i)
def main():
t_list = [threading.Thread(target=test, args=(i, )) for i in range(1000)]
for t in t_list:
t.start()
if __name__ == '__main__':
main()
運行時間：
real 0m1.123s
user 0m0.154s
sys 0m0.085s
其實Redis就是使用單線程和多進程的經典，它的性能有目共睹。所謂性能無非看個人能否充分發揮罷了。不然就算給你轟炸機你也不會開啊？扎心不老鐵～
PS：線程和進程各有其好處，無需一棍打死，具體啥好處可以回顧之前寫的進程和線程篇～
利用共享庫來擴展
C系擴展
GIL是Python解釋器設計的歷史遺留問題，多線程編程，模型復雜，容易發生沖突，必須用鎖加以隔離，同時，又要小心死鎖的發生。Python解釋器由於設計時有GIL全局鎖，導致了多線程無法利用多核。計算密集型任務要真正利用多核，除非重寫一個不帶GIL的解釋器（PyPy）如果一定要通過多線程利用多核，可以通過C擴展來實現（Python很多模塊都是用C系列寫的，所以用C擴展也就不那么奇怪了）
只要用C系列寫個簡單功能（不需要深入研究高並發），然后使用ctypes導入使用就行了：
#include <stdio.h>
void test()
{
while(1){}
}
編譯成共享庫：gcc 2.test.c -shared -o libtest.so
使用Python運行指定方法：（太方便了，之前一直以為C#調用C系列最方便，用完Python才知道更簡方案）
from ctypes import cdll
from os import cpu_count
from multiprocessing.dummy import Pool
def main():
# 加載C共享庫（動態鏈接庫）
lib = cdll.LoadLibrary("./libtest.so")
pool = Pool() # 默認是系統核數
pool.map_async(lib.test, range(cpu_count()))
pool.close()
pool.join()
if __name__ == '__main__':
main()
看看這時候HTOP的信息：（充分利用多核）【ctypes在調用C時會自動釋放GIL】
Go擴展
利用Go寫個死循環，然后編譯成so動態鏈接庫（共享庫）：
package main
import "C"
//export test
func test(){
for true{
}
}
func main() {
test()
}
非常重要的事情：//export test一定要寫，不然就被自動改成其他名字（我當時被坑過）
Python調用和上面一樣：
from ctypes import cdll
from os import cpu_count
from multiprocessing.dummy import Pool
def main():
# 加載動態鏈接庫
lib = cdll.LoadLibrary("./libtestgo.so")
pool = Pool() # 默認是系統核數
pool.map_async(lib.test, range(cpu_count()))
pool.close()
pool.join()
if __name__ == '__main__':
main()
效果：go build -buildmode=c-shared -o libtestgo.so 2.test.go
題外話～如果想等CPython的GIL消失可以先看一個例子：MySQL把大鎖改成各個小鎖花了5年。在是在MySQL有專門的團隊和公司前提下，而Python完全靠社區重構就太慢了
速度方面微軟除外，更新快本來是好事，但是動不動斷層更新，這學習成本就太大了(這也是為什么Net能深入的人比較少的原因：人家剛深入一個，你就淘汰一個了...)
可能還有人不清楚，貼下官方推薦技術吧（NetCore、Orleans、EFCore、ML.Net、CoreRT）
https://github.com/aspnet/AspNetCore
https://github.com/aspnet/EntityFrameworkCore
https://github.com/dotnet/machinelearning
https://github.com/dotnet/orleans
https://github.com/aspnet/Mvc
https://github.com/dotnet/corert
課外拓展：
用go語言給python3開發模塊
https://www.jianshu.com/p/40e069954804
https://blog.filippo.io/building-python-modules-with-go-1-5
Python與C/C++相互調用
https://www.cnblogs.com/apexchu/p/5015961.html
使用C/C++代碼編寫Python模塊
https://www.cnblogs.com/silvermagic/p/9087896.html
快速實現python c擴展模塊
https://www.cnblogs.com/chengxuyuancc/p/6374239.html
Python的C語言擴展
https://python3-cookbook.readthedocs.io/zh_CN/latest/chapters/p15_c_extensions.html
python調用golang生成的so庫
https://studygolang.com/articles/10228
https://www.cnblogs.com/huangguifeng/p/8931837.html
python調用golang並回調
https://blog.csdn.net/gtd138/article/details/79801235
Python3.x AttributeError: libtest.so: undefined symbol: fact
https://www.cnblogs.com/tanglizi/p/8965230.html
運行在其他編譯器上
先看最重要的一點，一旦運行在其他編譯器意味着很多Python第三方庫可能就不能用了，相對來說PyPy兼容性是最好的了
如果是Python2系列我推薦谷歌的grumpy
Grumpy是一個 Python to Go 源代碼轉換編譯器和運行時。旨在成為CPython2.7的近乎替代品。關鍵的區別在於它將Python源代碼編譯為Go源代碼，然后將其編譯為本機代碼，而不是字節碼。這意味着Grumpy沒有VM
已編譯的Go源代碼是對Grumpy運行時的一系列調用，Go庫提供與 Python C API類似的目的
如果是Python3系列，可以使用PyPy PythonNet Jython3 ironpython3等等
PyPy:https://bitbucket.org/pypy/pypy
Net方向：
https://github.com/pythonnet/pythonnet
https://github.com/IronLanguages/ironpython3
Java方向：
https://github.com/jython/jython3
Other：
源碼：https://github.com/sbinet/go-python
參考：https://studygolang.com/articles/13019
可惜CoreRT一直沒完善，不然就Happy了
https://github.com/dotnet/corert
經驗：平時基本上多線程就夠用了，如果想多核利用-多進程基本上就搞定了（分布式走起）實在不行一般都是分析一下性能瓶頸在哪，然后寫個擴展庫
如果需要和其他平台交互才考慮上面說的這些項目。如果是Web項目就更不用擔心了，現在哪個公司還不是混用？JavaScript and Python and Go or Java or NetCore。基本上上點規模的公司都會用到Python，之前都是Python and Java搭配使用，這幾年開始慢慢變成Python and Go or NetCore搭配使用了~
下集預估：Actor模型 and 消息發布/訂閱模型