面试题：Python中GIL对多线程编程的影响

Question

请简要阐述Python的GIL（全局解释器锁）是什么，以及它如何影响多线程编程，在多线程环境下，如果要进行CPU密集型任务，你会如何解决GIL带来的限制？

Answer 1

1. GIL 是什么

• 定义：GIL（Global Interpreter Lock）即全局解释器锁，是 CPython 解释器中的一个互斥锁。它确保在任何时刻，只有一个线程能在解释器中执行 Python 字节码。这意味着，即使在多核 CPU 环境下，Python 多线程也无法真正利用多核优势并行执行多个线程的字节码。

2. GIL 对多线程编程的影响

• CPU 密集型任务：对于 CPU 密集型任务，由于 GIL 的存在，多线程并不能有效提升性能，因为线程间频繁切换会带来额外开销，且同一时间只有一个线程能执行 CPU 操作，无法利用多核并行计算，整体效率可能反而不如单线程。
• I/O 密集型任务：在 I/O 密集型任务中，线程在等待 I/O 操作完成时会释放 GIL，其他线程可以获取 GIL 并执行，因此多线程能有效利用等待 I/O 的时间，提升程序整体效率。

3. 解决 GIL 限制的方法（针对 CPU 密集型任务）

• 多进程：使用 multiprocessing 模块创建多个进程。每个进程有自己独立的 Python 解释器和内存空间，不存在 GIL 限制，能充分利用多核 CPU 资源。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)

• C 扩展：将 CPU 密集型部分代码用 C 语言编写，并通过 Cython 或 SWIG 等工具集成到 Python 中。C 代码不受 GIL 限制，可在多核上并行执行。例如使用 Cython 时，先编写 .pyx 文件实现功能，再编写 setup.py 用于编译生成 C 扩展模块。

# example.pyx
def cpu_bound_function():
    cdef int i, result = 0
    for i in range(100000000):
        result += i
    return result

# setup.py
from setuptools import setup
from Cython.Build import cythonize


setup(
    ext_modules = cythonize("example.pyx")
)

然后通过 python setup.py build_ext --inplace 编译，就可以在 Python 中导入使用。