标签：解释器 进入 先后 程序执行效率 解释 val 利用 时间间隔 gil
Python的代码执行由 Python虚拟机（也叫解释器主循环，CPython版本）来控制，Python在设计之初就考虑到在解释器的主循环中，同时只有一个线程在运行。即每个CPU在任意时刻只有一个线程在解释器中运行。对 Python虚拟机访问的控制由全局解释锁GIL控制，正是这个锁来控制同一时刻只有一个线程能够运行。——在单核CPU下的多线程其实都只是并发，不是并行 。
并发与并行区别
并发和并行的意义
并发和并行都可以处理“多任务”，二者的主要区别在于是否是“同时进行”多个的任务。但是涉及到任务分解（有先后依赖耦合度高的任务无法做到并行）、任务运行（可能要考虑互斥、锁、共享等）、结果合并。
在Python多线程下，每个线程的执行方式，如下：
在Python2中，在解释器解释执行任何 Python 代码时，都需要先获得这把锁才行（同一时间只会有一个获得了 GIL 的线程在跑，其它的线程都处于等待状态等着 GIL 的释放），在遇到 I/O 操作时会释放这把锁。如果是纯计算的程序，没有 I/O 操作，解释器会每隔 100 次操作就释放这把锁，让别的线程有机会执行（这个次数可以通过 sys.setcheckinterval 来调整）也正是这种设定，是的多线程的CPU密集型计算非常鸡肋，下面会讲到为何如此。
而在python3中，GIL不使用ticks计数(100次，释放GIL)，改为使用计时器（执行时间达到15ms阈值后，当前线程释放 GIL），使得执行计算的次数更多，释放次数减少，这样对CPU密集型程序更加友好，但依然没有解决GIL导致的同一时间只能执行一个线程的问题，所以效率依然不尽如人意。
CPU密集型(各种循环处理、计数等等)，在这种情况下，ticks计数很快就会达到阈值，然后触发GIL的释放与再竞争（多个线程来回切换是需要消耗资源的），所以python下的多线程对 CPU密集型代码并不友好，会触发相当频繁的线程切换。
IO密集型(文件处理、网络爬虫等)，多线程能够有效提升效率(单线程下有IO操作会进行IO 等待，造成不必要的时间浪费，而开启多线程能在线程A等待时，自动切换到线程B，可以不浪费 CPU的资源，从而能提升程序执行效率，一个线程获得GIL发送消息，然后等待返回消息（阻塞），Python此时释放GIL, 其他线程得到GIL发送消息，然后同样等待返回消息（阻塞）......，这样保证了IO传输过程时间的合理利用，减少了IO等待造成的资源浪费，提高IO传输效率)。所以python的多线程对IO密集型代码比较友好。
I/O密集型使用多线程并发执行提高效率、计算密集型使用多进程（multiprocessing ）并行执行提高效率。通常程序既包含IO操作又包含计算操作,那么这种情况下，在开始并发任务之前，可以先进行测试，测试多线程、多进程哪个效率高就是用哪种方式。
请注意：多核多线程比单核多线程更差，多核多进程下，CPU1释放GIL后，其他CPU上的线程都会进行竞争，但GIL可能会马上又被CPU1拿到，CPU2释放GIL后……，导致其他几个CPU上被唤醒后的线程会醒着等待到切换时间后又进入待调度状态，这样会造成线程颠簸(thrashing)，导致效率更低。
多线程下的CPU密集型计算也不是无药可医，可以利用ctypes绕过GIL，ctypes可以使py直接调用任意的C动态库的导出函数。所要做的只是把关键部分用 C/C++ 写成 Python 扩展。而且，ctypes会在调用C函数前释放GIL。
同时，可以了解下协程，又称微线程。
协程最大的优势就是协程极高的执行效率。因为子程序切换不是线程切换，而是由程序自身控制，因此，没有线程切换的开销，和多线程比，线程数量越多，协程的性能优势就越明显。
第二大优势就是不需要多线程的锁机制，因为只有一个线程，也不存在同时写变量冲突，在协程中控制共享资源不加锁，只需要判断状态就好了，所以执行效率比多线程高很多。
因为协程是一个线程执行，那怎么利用多核CPU呢？最简单的方法是多进程+协程，既充分利用多核，又充分发挥协程的高效率，可获得极高的性能。
转自
Python多进程和多线程是鸡肋嘛？ https://www.toutiao.com/a6738231652184490247/
标签：解释器 进入 先后 程序执行效率 解释 val 利用 时间间隔 gil
原文地址：https://www.cnblogs.com/paul8339/p/11557937.html
