本文主要是介绍【Python】谈谈Python多线程，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
本文环境: Python 2.7.10 (CPython)。
文章目录
- 一、GIL简介
- 二、Python多线程是否鸡肋
- 1. 为什么需要多线程呢？
- 2. 计算密集型 vs. IO密集型
- 计算密集型验证例子
- 3.小结
- 三、锁与线程安全
- 四、总结
- 参考资料:
- 因为GIL的存在，Python多线程是否鸡肋？
- 既然已有GIL，是否Python编程不需要关注线程安全的问题？不需要使用锁？
- 为什么Python进阶材料很少有讲解多线程？
一、GIL简介
首先我们看下Global Interpreter Lock(GIL)的官方介绍:
In CPython, the global interpreter lock, or GIL, is a mutex that prevents multiple native threads from executing Python bytecodes at once. This lock is necessary mainly because CPython’s memory management is not thread-safe. (However, since the GIL exists, other features have grown to depend on the guarantees that it enforces.)
简而言之，因为CPython的内存管理不是线程安全的，所以需要加一个全局解释锁来保障Python内部对象是线程安全的。
GIL的存在导致Python多线程是不完整的多线程，Python社区内部对是否保留GIL一致激烈讨论，这里我们就不在累述。
二、Python多线程是否鸡肋
正如上节所说，Python的多线程是不完整的多线程。不过抛开具体应用场景谈“Python多线程是否鸡肋”就是耍流氓了！
1. 为什么需要多线程呢？
为什么需要多线程呢？总结一下，多线程多应用在如下场景:
-
需要运行后台任务但不希望停止主线程的执行
- 定期打印日志
- 图形界面下，主循环需要等待事件
-
分散任务负载
- 高负载任务一般分计算密集型、IO密集型两类。
2. 计算密集型 vs. IO密集型
计算密集型任务的特点是要进行大量的计算，消耗CPU资源，比如计算圆周率、对视频进行高清解码等等，全靠CPU的运算能力。这种计算密集型任务虽然也可以用多任务完成，但是任务越多，花在任务切换的时间就越多，CPU执行任务的效率就越低，所以，要最高效地利用CPU，计算密集型任务同时进行的数量应当等于CPU的核心数。计算密集型任务由于主要消耗CPU资源，因此，代码运行效率至关重要。
IO密集型，涉及到网络、磁盘IO的任务都是IO密集型任务，这类任务的特点是CPU消耗很少，任务的大部分时间都在等待IO操作完成（因为IO的速度远远低于CPU和内存的速度）。对于IO密集型任务，任务越多，CPU效率越高，但也有一个限度。常见的大部分任务都是IO密集型任务，比如Web应用。IO密集型任务执行期间，99%的时间都花在IO上，花在CPU上的时间很少。
计算密集型验证例子
Python作为一门脚本语言，本身执行效率极低，完全不适合计算密集型任务的开发。再加上GIL的存在，需要花费大量时间用在线程间的切换，其多线程性能甚至低于单线程。以下是一个验证例子:
顺序执行的单线程(single_thread.py)
#! /usr/bin/pythonfrom threading import Thread
import timedef my_counter():i = 0for _ in range(100000000):i = i + 1return Truedef main():thread_array = {}start_time = time.time()for tid in range(2):t = Thread(target=my_counter)t.start()t.join()end_time = time.time()print("Total time: {}".format(end_time - start_time))if __name__ == '__main__':main()同时执行的两个并发线程(multi_thread.py)
#! /usr/bin/pythonfrom threading import Thread
import timedef my_counter():i = 0for _ in range(100000000):i = i + 1return Truedef main():thread_array = {}start_time = time.time()for tid in range(2):t = Thread(target=my_counter)t.start()thread_array[tid] = tfor i in range(2):thread_array[i].join()end_time = time.time()print("Total time: {}".format(end_time - start_time))if __name__ == '__main__':main()多线程执行更慢了！
经过大量测试，Python多线程下一般最多只能占用1.5~2核，完全无法充分利用CPU资源。
3.小结
在低计算场景(普通后台任务、IO密集型任务)下，Python多线程还是有一点用武之地。但是计算密集型任务的话，Python多线程是真鸡肋，甚至会严重拖后腿。
三、锁与线程安全
既然有GIL这个语言级的锁，那我们是不是可以不关注锁与线程安全，直接起飞了？
且看下面这个例子
#! /usr/bin/pythonimport threadingi = 0def test():global ifor x in range(100000):i += 1threads = [threading.Thread(target=test) for t in range(10)]
for t in threads:t.start()for t in threads:t.join()assert i == 100000, i
显然失败了。因为高级语言的一条语句执行时都是分为若干条执行码，即使一个简单的计算：i += 1，也是分为4个执行码。
- load i
- load 1
- add
- store it back to i
Python解释器默认每100个操作码切换一个活动线程（通过从一个线程释放GIL以便另一个线程可以使用）。当100个操作码切换时，就会出现争抢，从而出现线程不安全的情况。此时就需要我们加一个简单的锁。
#!/usr/bin/python
import threading
i = 0
i_lock = threading.Lock()def test():global ii_lock.acquire()try:for x in range(100000):i += 1finally:i_lock.release()threads = [threading.Thread(target=test) for t in range(10)]
for t in threads:t.start()for t in threads:t.join()assert i == 100000, i
四、总结
相比Java那种天生面向多线程的语言不同，Python本身多线程就是不太完善的多线程。GIL的存在导致多线程CPU利用效率甚至低于单线程，却仍然要面对锁与线程安全的问题。同时Python语言又不像Java自带多种线程安全的数据类型，增加了多线程编程的复杂度，所以很少有资料大篇幅讲解Python多线程。
正如《Python高手之路》所言: (Python)处理好多线程是很难的，其复杂程度意味着与其他方式(异步事件\多进程)相比它是bug的更大来源，而且考虑到通常能够获取的好处很少，所以最好不要在多线程上浪费太多精力。
参考资料:
python中的GIL详解
is-the-operator-thread-safe-in-python
《Python高手之路》(《The Hacker’s Guide to Python》)
这篇关于【Python】谈谈Python多线程的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
