GIL：并发 Python 中的瓶颈
GIL（全局解释器
锁
）是
python
中的一种机制，它确保同一时间只有一个
线程
可以执行字节码。这在保证
Python
解释器的线程
安全
方面至关重要，但它也限制了
多线程
程序的
并发
性，特别是在涉及密集计算的任务时。
GIL 的工作原理
GIL 通过控制对 Python 对象的访问来工作。当一个线程获取 GIL 时，它会阻止所有其他线程访问任何 Python 对象，包括全局和局部变量、类和函数。这确保了 Python 解释器不会因同时操作同一对象而导致竞争条件。
立即学习
“
Python免费学习笔记（深入）
”；
GIL 的影响
GIL 对并发 Python 程序有以下影响：
多线程性能差：
GIL 限制了多线程程序的并行性，因为只能有一个线程同时执行 Python 代码。这使得对于 CPU 密集型任务，多线程几乎毫无用处。
死锁：
GIL 可能会导致死锁，因为持有 GIL 的线程可能会等待另一个线程释放一个它持有的锁。
增加了开销：
GIL 的获取和释放会增加程序的开销，这对于频繁切换线程的程序尤为重要。
克服 GIL 的限制
尽管存在这些限制，但仍有几种策略可以用来克服 GIL 的限制：
1. 多进程：
多进程创建 Python 解释器的多个实例，每个实例都有自己的 GIL。这消除了 GIL 在进程之间的限制，从而允许真正的并行处理。然而，使用多进程需要小心处理数据共享和进程间通信。
Python 3.14.3
微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。
下载
代码示例：
2. CPython 扩展：
GIL 是由 CPython（Python 的标准解释器）实现的。可以通过编写
C/C++
扩展来绕过 GIL，从而直接与底层
操作系统
交互。这需要更高级别的
编程
技能，但可以显著提
高并发
性能。
代码示例：
3. GIL 释放：
GIL 是可选的，并且可以在特定情况下释放。通过使用
语句或通过调用
函数，可以暂时释放 GIL。这允许其他线程在释放期间获取 GIL 并执行任务。
代码示例：
结论
GIL 是 Python 中
并发编程
的重要考虑因素。通过理解其工作原理及影响，以及应用适当的策略来克服其限制，可以提高 Python 程序的并发性能并减少瓶颈。随着计算机硬件的不断发展，GIL 的限制可能会变得更加明显，因此探索和采用这些技术至关重要，以最大限度地提高 Python 程序的性能。
import multiprocessing
def worker(num):
# 执行密集计算任务
return num * num
if __name__ == "__main__":
pool = multiprocessing.Pool(4)# 创建具有 4 个进程的进程池
results = pool.map(worker, range(1000000))
pool.close()
pool.join()#include
PyObject *my_function(PyObject *self, PyObject *args) {
// 执行密集计算任务，无需 GIL 保护
// ...
Py_INCREF(Py_None);
return Py_None;
}
static PyMethodDef my_methods[] = {
{"my_function", my_function, METH_VARARGS, "My function"},
{NULL, NULL, 0, NULL}
};
PyMODINIT_FUNC initmymodule(void) {
Py_InitModule("mymodule", my_methods);
} withsys.settrace()import sys
def worker():
# 执行密集计算任务
pass
if __name__ == "__main__":
sys.settrace(None)# 禁用追踪函数，释放 GIL
threads = []
for _ in range(4):
threads.append(threading.Thread(target=worker))
for thread in threads:
thread.start()
for thread in threads:
thread.join()