面试题：Python多线程与GIL

Question

Python的全局解释器锁（GIL）会对多线程编程产生什么影响？在哪些场景下，使用多线程仍然是有意义的，如何利用多线程在受GIL限制的情况下提高程序性能，请举例说明。

Answer 1

GIL对多线程编程的影响

1. 限制并行性：由于GIL的存在，在同一时刻，Python的多线程程序只能有一个线程在一个CPU核心上执行字节码，即使在多核CPU环境下，也无法真正实现多个线程并行执行。这使得Python多线程在CPU密集型任务中无法充分利用多核优势，性能提升有限。
2. 上下文切换开销：尽管不能并行执行，但线程仍会频繁进行上下文切换，这会带来额外的系统开销，如保存和恢复线程的执行状态等，进一步影响性能。

多线程仍有意义的场景

1. I/O密集型任务：在处理如文件读写、网络请求等I/O操作时，线程在等待I/O完成的过程中会释放GIL。其他线程可以在这个时候获取GIL并执行，所以多线程在I/O密集型任务中可以有效利用等待时间，提高程序整体的运行效率。例如网络爬虫程序，在等待服务器响应的过程中，其他线程可以继续发起新的请求。

利用多线程在受GIL限制下提高程序性能的方法及举例

1. 使用threading模块处理I/O密集型任务：

import threading
import time


def io_bound_task():
    time.sleep(1)  # 模拟I/O操作，如网络请求或文件读写
    return


threads = []
start_time = time.time()
for _ in range(10):
    t = threading.Thread(target=io_bound_task)
    threads.append(t)
    t.start()
for t in threads:
    t.join()
end_time = time.time()
print(f"多线程执行时间: {end_time - start_time} 秒")

在上述代码中，创建了10个线程来执行模拟I/O操作的任务。由于I/O操作过程中线程会释放GIL，所以这些线程可以在等待I/O的间隙并发执行，相比单线程顺序执行可以显著减少总执行时间。

2. 结合concurrent.futures模块：

import concurrent.futures
import time


def io_bound_task():
    time.sleep(1)  # 模拟I/O操作
    return


start_time = time.time()
with concurrent.futures.ThreadPoolExecutor() as executor:
    executor.map(io_bound_task, range(10))
end_time = time.time()
print(f"使用ThreadPoolExecutor多线程执行时间: {end_time - start_time} 秒")

concurrent.futures模块提供了更高级的异步执行接口，ThreadPoolExecutor可以方便地管理线程池并执行多个任务，同样适用于I/O密集型场景来提升性能。