面试题：GIL与多进程及多线程在Python中的应用对比

GIL机制简述

Python中的全局解释器锁（GIL）是一个互斥锁，它确保在任何时刻，只有一个线程能在Python解释器中执行字节码。这意味着在多核CPU上，Python多线程无法利用多核优势真正实现并行计算。

多进程和多线程在不同任务类型上的优势与劣势

I/O密集型任务

多线程优势：由于I/O操作通常需要等待外部设备（如磁盘、网络）响应，在等待I/O操作完成时，线程会释放GIL，使得其他线程有机会执行。因此多线程在I/O密集型任务中能有效利用等待时间，提高程序整体效率。
多线程劣势：线程创建和管理有一定开销，如果线程数量过多，可能导致上下文切换开销增大，反而降低性能。
多进程优势：多进程可以利用多核CPU，并且每个进程有独立的资源空间，不会受到GIL限制。但对于I/O密集型任务，进程间通信和切换开销相对较大，可能抵消部分多核优势。
多进程劣势：进程创建和销毁开销大，资源占用多，对于I/O密集型任务，相比多线程可能不够轻量级。

CPU密集型任务

多线程劣势：由于GIL的存在，多线程无法利用多核优势，实际上只能在一个CPU核心上执行，导致计算效率不高。
多线程优势：线程间通信相对简单，共享内存空间，但对于CPU密集型任务，GIL带来的限制更为突出。
多进程优势：多进程可以充分利用多核CPU，将计算任务并行分配到不同核心上，大大提高计算效率。
多进程劣势：进程间通信相对复杂，资源占用多，创建和销毁开销大。

代码示例

I/O密集型任务（以文件读取为例）

多线程示例：

import threading
import time


def io_bound_task():
    with open(__file__, 'r') as f:
        data = f.readlines()
    return data


start_time = time.time()
threads = []
for _ in range(10):
    t = threading.Thread(target=io_bound_task)
    threads.append(t)
    t.start()

for t in threads:
    t.join()

print(f"多线程执行时间: {time.time() - start_time}")

多进程示例：

import multiprocessing
import time


def io_bound_task():
    with open(__file__, 'r') as f:
        data = f.readlines()
    return data


start_time = time.time()
processes = []
for _ in range(10):
    p = multiprocessing.Process(target=io_bound_task)
    processes.append(p)
    p.start()

for p in processes:
    p.join()

print(f"多进程执行时间: {time.time() - start_time}")

在I/O密集型任务中，多线程版本通常会比多进程版本执行得更快，因为线程创建和上下文切换开销相对较小，并且能有效利用I/O等待时间。

CPU密集型任务（以计算斐波那契数列为例）

多线程示例：

import threading
import time


def cpu_bound_task(n):
    if n <= 1:
        return n
    return cpu_bound_task(n - 1) + cpu_bound_task(n - 2)


start_time = time.time()
threads = []
for _ in range(4):
    t = threading.Thread(target=cpu_bound_task, args=(30,))
    threads.append(t)
    t.start()

for t in threads:
    t.join()

print(f"多线程执行时间: {time.time() - start_time}")

多进程示例：

import multiprocessing
import time


def cpu_bound_task(n):
    if n <= 1:
        return n
    return cpu_bound_task(n - 1) + cpu_bound_task(n - 2)


start_time = time.time()
processes = []
for _ in range(4):
    p = multiprocessing.Process(target=cpu_bound_task, args=(30,))
    processes.append(p)
    p.start()

for p in processes:
    p.join()

print(f"多进程执行时间: {time.time() - start_time}")

在CPU密集型任务中，多进程版本通常会比多线程版本执行得更快，因为多进程可以利用多核CPU并行计算，而多线程受GIL限制只能在一个核心上执行。

总结

对于I/O密集型任务，优先选择多线程，因为其轻量级，能有效利用I/O等待时间。
对于CPU密集型任务，优先选择多进程，因为可以利用多核CPU提高计算效率。

星途面试题库