面试题：Python多线程编程中的GIL问题

GIL是什么

GIL（全局解释器锁）是Python解释器中的一个互斥锁，它确保在任何时刻，只有一个线程能够执行Python字节码。这意味着即使在多核CPU上，Python多线程也不能真正利用多核优势同时执行多个线程的字节码。

对多线程性能的影响

CPU密集型任务：由于GIL的存在，多个线程不能并行执行CPU密集型代码，线程之间频繁切换会带来额外的开销，导致性能提升不明显甚至下降。例如，进行大量数学运算的程序，多线程执行速度可能比单线程更慢。
I/O密集型任务：在I/O操作时，线程会释放GIL，其他线程可以获取GIL并执行。因此，对于I/O密集型任务，多线程编程仍能提高程序的整体效率，因为I/O等待时间可以让其他线程有机会运行。

减少GIL带来性能瓶颈的方法

使用多进程：Python的multiprocessing模块允许创建多个进程，每个进程有自己独立的Python解释器和内存空间，不存在GIL问题。适用于CPU密集型任务，能充分利用多核CPU的优势。例如：

import multiprocessing


def cpu_bound_task():
    result = 0
    for i in range(100000000):
        result += i
    return result


if __name__ == '__main__':
    with multiprocessing.Pool(processes=multiprocessing.cpu_count()) as pool:
        results = pool.map(cpu_bound_task, range(4))
    print(results)

使用线程池结合非阻塞I/O：对于I/O密集型任务，使用concurrent.futures模块中的ThreadPoolExecutor结合非阻塞I/O操作，如asyncio库中的异步I/O函数，可以在I/O等待时充分利用线程，减少GIL带来的影响。例如：

import concurrent.futures
import asyncio


async def io_bound_task():
    await asyncio.sleep(1)
    return "完成I/O任务"


def main():
    loop = asyncio.get_event_loop()
    with concurrent.futures.ThreadPoolExecutor() as executor:
        tasks = [loop.run_in_executor(executor, io_bound_task) for _ in range(10)]
        results = loop.run_until_complete(asyncio.gather(*tasks))
    print(results)


if __name__ == '__main__':
    main()

使用C扩展：将CPU密集型部分代码用C语言编写，通过Cython或其他工具集成到Python中。C扩展代码不受GIL限制，可以在多核上并行执行。例如使用Cython时，编写.pyx文件实现核心逻辑，再通过setup.py文件编译为C扩展模块供Python调用。

星途面试题库

面试题：Python多线程编程中的GIL问题

知识考点

面试题答案

GIL是什么

对多线程性能的影响

减少GIL带来性能瓶颈的方法