前言：博主在剛接觸Python的時候時常聽到GIL這個詞，並且發現這個詞經常和Python無法高效的實現多執行緒劃上等號。本著不光要知其然，還要知其所以然的研究態度，博主蒐集了各方面的資料，花了一週內幾個小時的閒暇時間深入理解了下GIL，並歸納成此文，也希望讀者能通過次本文更好且客觀的理解GIL。
GIL是什麼
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）標準，但是可以用不同的編譯器來編譯成可執行程式碼。有名的編譯器例如GCC，INTEL C++，Visual C++等。Python也一樣，同樣一段程式碼可以通過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是大部分環境下預設的Python執行環境。所以在很多人的概念裡CPython就是Python，也就想當然的把GIL歸結為Python語言的缺陷。所以這裡要先明確一點：GIL並不是Python的特性，Python完全可以不依賴於GIL。
那麼CPython實現中的GIL又是什麼呢？GIL全稱Global Interpreter Lock為了避免誤導，我們還是來看一下官方給出的解釋：
In CPython, the global interpreter lock, or GIL, is a mutex that prevents multiple native threads from executing Python bytecodes at once. This lock is necessary mainly because CPython’s memory management is not thread-safe. (However, since the GIL exists, other features have grown to depend on the guarantees that it enforces.)
好吧，是不是看上去很糟糕？一個防止多執行緒併發執行機器碼的一個Mutex，乍一看就是個BUG般存在的全域性鎖嘛！別急，我們下面慢慢的分析。
為什麼會有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效能，就出現了多執行緒的程式設計方式，而隨之帶來的就是執行緒間資料一致性和狀態同步的困難。即使在CPU內部的Cache也不例外，為了有效解決多份快取之間的資料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效能損失。
Python當然也逃不開，為了利用多核，Python開始支援多執行緒。而解決多執行緒之間資料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，而當越來越多的程式碼庫開發者接受了這種設定後，他們開始大量依賴這種特性（即預設python內部物件是thread-safe的，無需在實現時考慮額外的記憶體鎖和同步操作）。
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，發現大量庫程式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“小專案”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這個背後有公司支援且有固定開發團隊的產品走的如此艱難，那又更何況Python這樣核心開發和程式碼貢獻者高度社群化的團隊呢？
所以簡單的說GIL的存在更多的是歷史原因。如果推到重來，多執行緒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的影響
從上文的介紹和官方的定義來看，GIL無疑就是一把全域性排他鎖。毫無疑問全域性鎖的存在會對多執行緒的效率有不小影響。甚至就幾乎等於Python是個單執行緒的程式。
那麼讀者就會說了，全域性鎖只要釋放的勤快效率也不會差啊。只要在進行耗時的IO操作的時候，能釋放GIL，這樣也還是可以提升執行效率的嘛。或者說再差也不會比單執行緒的效率差吧。理論上是這樣，而實際上呢？Python比你想的更糟。
下面我們就對比下Python在多執行緒和單執行緒下得效率對比。測試方法很簡單，一個迴圈1億次的計數器函式。一個通過單執行緒執行兩次，一個多執行緒執行。最後比較執行總時間。測試環境為雙核的Mac pro。注：為了減少執行緒庫本身效能損耗對測試結果帶來的影響，這裡單執行緒的程式碼同樣使用了執行緒。只是順序的執行兩次，模擬單執行緒。
順序執行的單執行緒(single_thread.py)
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 |
#! /usr/bin/python from threading import Thread import time def my_counter(): i = 0 for _ in range(100000000): i = i + 1 return True def main(): thread_array = {} start_time = time.time() for tid in range(2): t = Thread(target=my_counter) t.start() t.join() end_time = time.time() print("Total time: {}".format(end_time - start_time)) if __name__ == '__main__': main() |
同時執行的兩個併發執行緒(multi_thread.py)
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 |
#! /usr/bin/python from threading import Thread import time def my_counter(): i = 0 for _ in range(100000000): i = i + 1 return True def main(): thread_array = {} start_time = time.time() for tid in range(2): t = Thread(target=my_counter) t.start() thread_array[tid] = t for i in range(2): thread_array[i].join() end_time = time.time() print("Total time: {}".format(end_time - start_time)) if __name__ == '__main__': main() |
下圖就是測試結果
可以看到python在多執行緒的情況下居然比單執行緒整整慢了45%。按照之前的分析，即使是有GIL全域性鎖的存在，序列化的多執行緒也應該和單執行緒有一樣的效率才對。那麼怎麼會有這麼糟糕的結果呢？
讓我們通過GIL的實現原理來分析這其中的原因。
當前GIL設計的缺陷
基於pcode數量的排程方式
按照Python社群的想法，作業系統本身的執行緒排程已經非常成熟穩定了，沒有必要自己搞一套。所以Python的執行緒就是C語言的一個pthread，並通過作業系統排程演算法進行排程（例如linux是CFS）。為了讓各個執行緒能夠平均利用CPU時間，python會計算當前已執行的微程式碼數量，達到一定閾值後就強制釋放GIL。而這時也會觸發一次作業系統的執行緒排程（當然是否真正進行上下文切換由作業系統自主決定）。
虛擬碼
|
1 2 3 4 5 6 |
while True: acquire GIL for i in 1000: 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。任何一個執行緒被喚起時都能成功獲得到GIL（因為只有釋放了GIL才會引發執行緒排程）。但當CPU有多個核心的時候，問題就來了。從虛擬碼可以看到，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執行緒被喚醒時，大部分情況下主執行緒已經又再一次獲取到GIL了。這個時候被喚醒執行的執行緒只能白白的浪費CPU時間，看著另一個執行緒拿著GIL歡快的執行著。然後達到切換時間後進入待排程狀態，再被喚醒，再等待，以此往復惡性迴圈。
PS：當然這種實現方式是原始而醜陋的，Python的每個版本中也在逐漸改進GIL和執行緒排程之間的互動關係。例如先嚐試持有GIL在做執行緒上下文切換，在IO等待時釋放GIL等嘗試。但是無法改變的是GIL的存在使得作業系統執行緒排程的這個本來就昂貴的操作變得更奢侈了。
關於GIL影響的擴充套件閱讀
為了直觀的理解GIL對於多執行緒帶來的效能影響，這裡直接借用的一張測試結果圖（見下圖）。圖中表示的是兩個執行緒在雙核CPU上得執行情況。兩個執行緒均為CPU密集型運算執行緒。綠色部分表示該執行緒在執行，且在執行有用的計算，紅色部分為執行緒被排程喚醒，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的存在導致多執行緒無法很好的立即多核CPU的併發處理能力。
那麼Python的IO密集型執行緒能否從多執行緒中受益呢？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執行緒處於等待。可見，當IO執行緒收到資料包引起終端切換後，仍然由於一個CPU密集型執行緒的存在，導致無法獲取GIL鎖，從而進行無盡的迴圈等待。
簡單的總結下就是：Python的多執行緒在多核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密集型執行緒存在，那麼多執行緒效率會由於GIL而大幅下降。
如何避免受到GIL的影響
說了那麼多，如果不說解決方案就僅僅是個科普帖，然並卵。GIL這麼爛，有沒有辦法繞過呢？我們來看看有哪些現成的方案。
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。它完整的複製了一套thread所提供的介面方便遷移。唯一的不同就是它使用了多程式而不是多執行緒。每個程式有自己的獨立的GIL，因此也不會出現程式之間的GIL爭搶。
當然multiprocess也不是萬能良藥。它的引入會增加程式實現時執行緒間資料通訊和同步的困難。就拿計數器來舉例子，如果我們要多個執行緒累加同一個變數，對於thread來說，申明一個global變數，用thread.Lock的context包裹住三行就搞定了。而multiprocess由於程式之間無法看到對方的資料，只能通過在主執行緒申明一個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執行緒程式編碼，變得更加痛苦了。具體難點在哪有興趣的讀者可以擴充套件閱讀這篇文章
用其他解析器
之前也提到了既然GIL只是CPython的產物，那麼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群眾多C語言模組有用特性的機會。所以這些解析器也因此一直都比較小眾。畢竟功能和效能大家在初期都會選擇前者，Done is better than perfect。
所以沒救了麼？
當然Python社群也在非常努力的不斷改進GIL，甚至是嘗試去除GIL。並在各個小版本中有了不少的進步。有興趣的讀者可以擴充套件閱讀這個Slide
另一個改進Reworking the GIL
– 將切換顆粒度從基於opcode計數改成基於時間片計數
– 避免最近一次釋放GIL鎖的執行緒再次被立即排程
– 新增執行緒優先順序功能（高優先順序執行緒可以迫使其他執行緒釋放所持有的GIL鎖）
總結
Python GIL其實是功能和效能之間權衡後的產物，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場景下得多執行緒會得到較好的效能
- 如果對平行計算效能較高的程式可以考慮把核心部分也成C模組，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