python線程之GIL

python的線程bug:GIL： Global Interpreter Lock 全局解釋器鎖

Python --> 支持多線程 --> 同步互斥 --> 加鎖 --> 超級(jí)鎖(把解釋器鎖住了)
--> 在同一時(shí)刻，解釋器只能解釋一個(gè)線程 --> 由于 歷史原因，大量的python庫(kù)延用了這種方法
--> 導(dǎo)致python多線程效率低下

GIL問(wèn)題： 由于pythond 的全局解釋器鎖造成python的多線程效率低下

解決方法：
1， 不使用線程，使用多進(jìn)程
2， 不使用C/c++ 做解釋器；用C# java做解釋器
3， Python多線程適合高用時(shí)的IO操作，如網(wǎng)絡(luò)IO；不適合CPU密集型程序

GIL帶來(lái)的影響：
多進(jìn)程效率 > 單進(jìn)程效率 > 多線程效率

代碼案例，延時(shí)CPU密集型程序和IO密集型程序?qū)芜M(jìn)程，多進(jìn)程，多線程的耗時(shí)測(cè)試：

            
              #!/usr/bin/python3
#coding:utf-8

from time import time,sleep
from threading import Thread
from multiprocessing import Process


#cpu開(kāi)銷(xiāo)函數(shù)，計(jì)算15000W次
def cpu_cost(x, y):
    count = 1
    for _ in range(5000000):
        count += 1
        x += 1
        y += 1


#自定義IO開(kāi)銷(xiāo)函數(shù)，進(jìn)行10W次寫(xiě)，100W次讀操作
def io_cost():
    f = open('/tmp/test.log', 'w')
    for I in range(100000):
        f.write('Hello Python.')
    f.close()
    f = open('/tmp/test.log', 'r')
    for I in range(1000000):
        f.readline()
    f.close()


#單進(jìn)程cpu密集型
def single_cpu():

    t1 = time()
    for _ in range(10):
        cpu_cost(1,1)
    t2 = time()
    print('單進(jìn)程CPU密集型耗時(shí)：',t2 - t1)
    sleep(2)


#單進(jìn)程IO密集型
def single_io():
    t1 = time()
    for _ in range(10):
        io_cost()

    t2 = time()
    print('單進(jìn)程IO密集型耗時(shí)：',t2 - t1)
    sleep(2)


#多進(jìn)程CPU密集型
def mul_process_cpu():
    t1 = time()
    process_lst = []

    for I in range(10):
        p = Process(target=cpu_cost, args = (1,1))
        p.start()

    for I in process_lst:
        I.join()
    t2 = time()
    print('多進(jìn)程CPU密集型耗時(shí)：',t2 - t1)
    sleep(2)


#多進(jìn)程IO密集型
def mul_process_io():
    t1 = time()
    process_lst = []
    for I in range(10):
        p = Process(target=io_cost)
        process_lst.append(p)
        p.start()

    for I in process_lst:
        I.join()
    t2 = time()
    print('多進(jìn)程IO密集型耗時(shí)：',t2 - t1)
    sleep(2)


#多線程CPU密集型
def mul_thread_cpu():
    t1 = time()
    t_lst = []
    for _ in range(10):
        t = Thread(target=cpu_cost, args=(1,1))
        t_lst.append(t)
        t.start()

    for J in t_lst:
        J.join()
    t2 = time()
    print('多線程CPU密集型耗時(shí)：',t2 - t1)
    sleep(2)


#多線程IO密集型
def mul_thread_io():
    t1 =time()
    t_lst = []
    for _ in range(10):
        t = Thread(target=io_cost)
        t_lst.append(t)
        t.start()
    for J in t_lst:
        J.join()
    t2 = time()
    print('多線程IO密集型耗時(shí)：',t2 - t1)


#主程序
def main():
    single_cpu()
    single_io()
    mul_process_cpu()
    mul_process_io()
    mul_thread_cpu()
    mul_thread_io()

main()
            
          

執(zhí)行結(jié)果：

            
              [root@A02-R05-I18-13-A003335 data]# python3 test.py 
單進(jìn)程CPU密集型耗時(shí)： 7.388684272766113
單進(jìn)程IO密集型耗時(shí)： 25.975133419036865
多進(jìn)程CPU密集型耗時(shí)： 0.006726264953613281
多進(jìn)程IO密集型耗時(shí)： 2.7583560943603516
多線程CPU密集型耗時(shí)： 7.976577043533325
多線程IO密集型耗時(shí)： 47.74693512916565
            
          

執(zhí)行結(jié)果可以看出，Python中，多進(jìn)程在高CPU和高IO情況下均是最優(yōu)，其次是單進(jìn)程但線程；多線程性能最差

?

設(shè)計(jì)模式
代表了一種最佳時(shí)間，是被開(kāi)發(fā) 人員長(zhǎng)期總結(jié)用來(lái)解決某一勞累問(wèn)題的思路方法，這些方法保證了代碼的效率也易于理解
邏輯編碼模型

總結(jié)：
1， 進(jìn)程和線程的區(qū)別和聯(lián)系
2， 同步互斥的意義和實(shí)現(xiàn)方法
3， 進(jìn)程線程使用什么方式通信
4，進(jìn)程線程的特點(diǎn)和選擇
5， 簡(jiǎn)單的設(shè)計(jì)模式和理解
6， 將是京城，進(jìn)程狀態(tài)，GIL等概念的理解

?