面试题：网络编程中Python多线程结合GIL的性能表现

GIL对多线程网络编程性能产生影响的主要原因

全局解释器锁本质：GIL是Python解释器的一个机制，它确保在任何时刻只有一个线程能执行Python字节码。这意味着即使在多核CPU环境下，多线程也不能真正利用多核并行执行Python代码。
网络请求虽I/O密集但GIL限制：虽然网络请求通常是I/O密集型操作，在等待网络响应时线程会释放GIL。然而，在实际执行网络请求的代码部分（如建立连接、发送数据等），仍受GIL限制，无法实现真正的并行。例如，当多个线程依次发起网络请求时，由于GIL，它们需要逐个获取GIL才能执行相关网络操作代码，这导致整体效率提升受限。

代码层面减轻影响的示例

使用concurrent.futures模块中的ThreadPoolExecutor：

import concurrent.futures
import requests


def fetch_url(url):
    response = requests.get(url)
    return response.status_code


urls = [
    'http://example.com',
    'http://example.org',
    'http://example.net'
]

with concurrent.futures.ThreadPoolExecutor() as executor:
    future_to_url = {executor.submit(fetch_url, url): url for url in urls}
    for future in concurrent.futures.as_completed(future_to_url):
        url = future_to_url[future]
        try:
            data = future.result()
        except Exception as exc:
            print(f'{url} generated an exception: {exc}')
        else:
            print(f'{url} returned status code: {data}')

在此示例中，ThreadPoolExecutor管理线程池，每个线程在执行fetch_url函数中的网络请求时，在I/O等待阶段释放GIL，从而一定程度上提高了并发效率。 2. 使用asyncio库进行异步编程：

import aiohttp
import asyncio


async def fetch_url(session, url):
    async with session.get(url) as response:
        return await response.status


async def main():
    urls = [
        'http://example.com',
        'http://example.org',
        'http://example.net'
    ]
    async with aiohttp.ClientSession() as session:
        tasks = [fetch_url(session, url) for url in urls]
        results = await asyncio.gather(*tasks)
        for url, status in zip(urls, results):
            print(f'{url} returned status code: {status}')


if __name__ == '__main__':
    asyncio.run(main())

asyncio库基于事件循环实现异步I/O操作，它避免了线程切换的开销以及GIL的限制，在网络I/O密集型场景下能显著提升性能。

星途面试题库

面试题：网络编程中Python多线程结合GIL的性能表现

知识考点

面试题答案

GIL对多线程网络编程性能产生影响的主要原因

代码层面减轻影响的示例