问题

你已经听说过全局解释器锁 GIL，担心它会影响到多线程程序的执行性能。

解决方案

尽管 Python 完全支持多线程编程，但是解释器的 C 语言实现部分在完全并行执行时并不是线程安全的。

实际上，解释器被一个全局解释器锁保护着，它确保任何时候 都只有一个 Python 线程执行。

GIL 最大的问题就是 Python 的多线程程序并不能利用 多核 CPU 的优势（比如一个使用了多个线程的计算密集型程序只会在一个单 CPU 上 面运行）。

在讨论普通的 GIL 之前，有一点要强调的是 GIL 只会影响到那些严重依赖 CPU 的程序（比如计算型的）。

如果你的程序大部分只会涉及到 I/O，比如网络交互，那么 使用多线程就很合适，因为它们大部分时间都在等待。

实际上，你完全可以放心的创建 几千个 Python 线程，现代操作系统运行这么多线程没有任何压力，没啥可担心的。

而对于依赖 CPU 的程序，你需要弄清楚执行计算的特点。

例如，优化底层算法 要比使用多线程运行快得多。类似的，由于 Python 是解释执行的，如果你将那些性能 瓶颈代码移到一个 C 语言扩展模块中，速度也会提升的很快。

如果你要操作数组，那 么使用 NumPy 这样的扩展会非常的高效。

还有一点要注意的是，线程不是专门用来优化性能的。一个 CPU 依赖型程序可能 会使用线程来管理一个图形用户界面、一个网络连接或其他服务。这时候，GIL 会产生 一些问题，因为如果一个线程长期持有 GIL 的话会导致其他非 CPU 型线程一直等待。

事实上，一个写的不好的 C 语言扩展会导致这个问题更加严重，尽管代码的计算部分 会比之前运行的更快些。

说了这么多，现在想说的是我们有两种策略来解决 GIL 的缺点。

首先，如果你完 全工作于 Python 环境中，你可以使用 multiprocessing 模块来创建一个进程池，并像协同处理器一样的使用。

例如，你有如下的线程代码：

#执行大型计算(CPU限制)

def some_work(args):
...return result

调用上述函数的线程

def some_thread():while True:...r = some_work(args)...修改代码，使用进程池：
pool = None
#执行大型计算(CPU限制)
def some_work(args):return result

调用上述函数的线程

def some_thread():while True:r = pool.apply(some_work, (args))

线程池

if __name__ == '__main__':import multiprocessingpool = multiprocessing.Pool()

这个通过使用一个技巧利用进程池解决了 GIL 的问题。

当一个线程想要执行 CPU 密集型工作时，会将任务发给进程池。然后进程池会在另外一个进程中启动一个单独的 Python 解释器来工作。当线程等待结果的时候会释放 GIL。

并且，由于计算任务在单 独解释器中执行，那么就不会受限于 GIL 了。在一个多核系统上面，你会发现这个技术可以让你很好的利用多 CPU 的优势。

另外一个解决 GIL 的策略是使用 C 扩展编程技术。

主要思想是将计算密集型任务转移给 C，跟 Python 独立，在工作的时候在 C 代码中释放 GIL。

这可以通过在 C 代码中插入下面这串代码来完成：

#include "Python.h"
...
PyObject *pyfunc(PyObject *self, PyObject *args) {
...
Py_BEGIN_ALLOW_THREADS
...
Py_END_ALLOW_THREADS
...
}

结论

作为一个真实的例子，在多线程的网络编程中神秘 的 stalls 可能是因为其他原因比如一个 DNS 查找延时，而跟 GIL 毫无关系。

最后你需要先去搞懂你的代码是否真的被 GIL 影响到。

同时还要明白 GIL 大部分都应该 只关注 CPU 的处理而不是 I/O.如果你准备使用一个处理器池，注意的是这样做涉及到数据序列化和在不同 Python 解释器通信。

被执行的操作需要放在一个通过 def 语句定义的 Python 函数中， 不能是 lambda、闭包可调用实例等，并且函数参数和返回值必须要兼容 pickle。

C 扩展最重要的特征是它们和 Python 解释器是保持独立的。也就是说，如果你准 备将 Python 中的任务分配到 C 中去执行，你需要确保 C 代码的操作跟 Python 保持独立，这就意味着不要使用 Python 数据结构以及不要调用 Python 的 C API。

也就是说 C 扩展担负起 了大量的计算任务，而不是少数几个计算。