随着硬件发展遇到瓶颈，摩尔定律不在适用。硬件快速提升性能的红利过去之后，人们更多的把视线转移到并发编程当中，利用多核来并行处理事务以提高性能。
熟悉Python的朋友都对GIL这个词不会陌生。在很长一段时间内，我一直都把GIL简单的等价于Python多线程效率低下的罪魁祸首，而对于它的原因不甚了解。GIL中文意思是全局解释器锁，它的作用是保证同一时间内仅有一个线程在运行，每当线程发生IO时，GIL锁就是释放给另一个线程使用，如果没有IO发生，则每过一个时间段，GIL会释放而轮转到其他线程操作。顾名思义，由于Python是解释型语言，所以在运行之前必然要有一个解释器来把语言“解释”成可执行机器码。
需要指出的是，所谓的“全局解释器锁”（即GIL），是仅仅对于CPython这种解释器而言的。也就是说，如果你在JPython，PyPy等环境下运行就完全不必在意GIL。但是由于CPython是python内置的默认解释器，所以GIL已经被视作是Python的组成部分。
既然在多线程场景下GIL已然成为了性能的瓶颈，那为什么要把GIL引入到Python中来呢？为了充分利用多核来并行处理任务，Python需要解决多线程之间数据和状态的一致性，而保证数据和状态一致的最简单办法就是加锁。举个例子：Python中的垃圾回收机制中有一种叫做引用计数。当一个对象的引用数为0的时候，该对象就会被垃圾回收器回收。当我们删除一个对象的某个引用的时候：1.该对象引用的计数器减一 2.判断该对象引用的计数器是否为零，若为零，则启动垃圾回收。假设有线程a和线程b对于对象A存在引用，两者先后删除了对于对象A的引用，而线程a由于某种原因阻塞挂起导致只执行了计数器的减一，而线程b正常执行。现在垃圾回收器检测到对象A的引用计数器已经为零，把对象A回收掉。当线程a从阻塞挂起恢复之后发现对象A已经不见了，从而导致未知问题（竞态条件的常见表现形式）。而GIL对于线程加锁可以直接避免这种线程间数据和状态的一致性问题。
了解了GIL的作用，那应该怎样才能将GIL对性能的影响降到最低呢？
1.既然GIL主要锁住的是线程之间的并行，那我们索性换个思路，使用多进程的模型来处理并发任务，比如使用multiprocess来替代thread。缺点是进程所带来的系统开销要大于线程。如果要保持使用多线程的模型，可以考虑采用协程作为替代方案，主要的库有gevent，twisted等。
2.使用其他解释器，比如采用Java实现的JPython和使用Python自举的PyPy都是很好的选择。但由于CPython本身使用的很多C的特性被很多库广为使用，所以迄今为止，CPython仍然是Python解释器的主流选择。
3.在Python3.X中，语言层面增加了asyncio的解决方案，这种方案据悉已经在Instagram的内部代码迁移(从Py2迁移到Py3)中得到广泛的使用。（Flask作者谈Asyncio）
简单来说，由于GIL的存在，只有在IO密集场景下，多线程的表现会优于单线程。其他场景下多线程反而由于线程切换的额外开销而效率更低。值得期待的是，在Py3中增加了令人兴奋的Asyncio特性。
网友评论