知识点2全局解释器（GIL）

全局解释器锁（GIL）全局解释器锁（GIL）摘要全局解释器锁(GlobalInterpreterLock)。在Cpython解释器中，同一个进程下开启的多线程，同一时刻只能有一个线程执行，无法利用多核优势。首先需要明确的一点是GIL并不是Python的特性，它是在实现Python解析器(CPython)时所引入的一个概念。就好比C++是一套语言（语法）标准，但是可以用不同的编译器来编译成可执行代码。有名的编译器例如GCC，INTELC++，VisualC++等。Python也一样，同样一段代码可以通过CPython，PyPy，Psyco等不同的Python执行环境来执行。像其中的JPython就没有GIL。然而因为CPython是大部分环境下默认的Python执行环境。所以在很多人的概念里CPython就是Python，也就想当然的把GIL归结为Python语言的缺陷。所以这里要先明确一点：GIL并不是Python的特性，Python完全可以不依赖于GIL关键词GIL1计算密集型和I/O秘籍型2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。Python这样的脚本语言运行效率很低，完全不适合计算密集型任务。对于计算密集型任务，最好用C语言编写。3IO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，系统运作，大部分的状况是CPU在等I/O(硬盘/内存)的读/写（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。计算密集型和I/O秘籍型41.多cpu到底是用来做计算的，还是用来做I/O的？多cpu，意味着可以有多个核并行完成计算，所以多核提升的是计算性能2.每个cpu一旦遇到I/O阻塞，仍然需要等待，所以多核对I/O操作没什么用处一个工人相当于cpu，此时计算相当于工人在干活，I/O阻塞相当于为工人干活提供所需原材料的过程，工人干活的过程中如果没有原材料了，则工人干活的过程需要停止，直到等待原材料的到来。如果你的工厂干的大多数任务都要有准备原材料的过程（I/O密集型），那么你有再多的工人，意义也不大，还不如一个人，在等材料的过程中让工人去干别的活，反过来讲，如果你的工厂原材料都齐全，那当然是工人越多，效率越高计算密集型和I/O秘籍型5计算密集型和I/O秘籍型结论：对计算来说，cpu越多越好，但是对于I/O来说，再多的cpu也没用我们有四个任务需要处理，处理方式肯定是要玩出并发的效果，解决方案可以是：方案一：开启四个进程方案二：一个进程下，开启四个线程·单核情况下，分析结果:如果四个任务是计算密集型，没有多核来并行计算，方案一徒增了创建进程的开销，方案二胜如果四个任务是I/O密集型，方案一创建进程的开销大，且进程的切换速度远不如线程，方案二胜·多核情况下，分析结果：如果四个任务是计算密集型，多核意味着并行计算，在python中一个进程中同一时刻只有一个线程执行用不上多核，方案一胜如果四个任务是I/O密集型，再多的核也解决不了I/O问题，方案二胜结论：现在的计算机基本上都是多核，python对于计算密集型的任务开多线程的效率并不能带来多大性能上的提升，甚至不如串行(没有大量切换)，但是，对于IO密集型的任务效率还是有显著提升的。6示例1：计算密集型和I/O秘籍型7上述代码中通过切换17和18行的注释达到多线程和多进程的运行结果，输出结果如下：计算密集型和I/O秘籍型可以看出计算密集型时，多进程速度快很多。8计算密集型和I/O秘籍型示例2：9计算密集型和I/O秘籍型上