python一开始给我的印象是容易入门，适合应用开发，编程简洁，第三方库多等等诸多优点，并吸引我去深入学习。直到学习完多线程编程，在自己环境上验证完这句话：python解释器引入GIL锁以后，多CPU场景下，也不再是并行方式运行，甚至比串行性能更差。不免有些落差，一开始就注定了这门语言迟早是有天花板的，对于一些并行要求高的系统，python可能不再成为首选，甚至是完全不考虑。但是事情也并不是绝对悲观的，我们已经看到有一大批人正在致力优化这个特性，新版本较老版本也有了一定改进，一些核心模块我们也可以选用其它模块开发等等措施。
1、python多线程编程
threading是python实现多线程编程的常用库，有两种方式可以实现多线程：1、调用库接口传入功能函数和参数执行；2、自定义线程类继承threading.Thread，然后重写__init__和run方法。
1、调用库接口传入功能函数和参数执行
import threading
import queue
import time
‘‘‘
实现功能：定义一个FIFO的queue,10个元素，3个线程同时来获取
‘‘‘
# 初始化FIFO队列
q = queue.Queue()
for i in range(10):
q.put(i)
print("%s : Init queue,size:%d"%(time.ctime(),q.qsize()))
# 线程功能函数，获取队列数据
def run(q,threadid):
is_empty = False
while not is_empty:
if not q.empty():
data = q.get()
print("Thread %d get:%d"%(threadid,data))
time.sleep(1)
else:
is_empty = True
# 定义线程列表
thread_handler_lists = []
# 初始化线程
for i in range(3):
thread = threading.Thread(target=run,args = (q,i))
thread.start()
thread_handler_lists.append(thread)
# 等待线程执行完毕
for thread_handler in thread_handler_lists:
thread_handler.join()
print("%s : End of progress"%(time.ctime()))
2、自定义线程类继承threading.Thread，然后重写__init__和run方法
和其它语言一样，为了保证多线程间数据一致性，threading库自带锁功能，涉及3个接口：
thread_lock = threading.Lock() 创建一个锁对象
thread_lock.acquire() 获取锁
thread_lock.release() 释放锁
注意：由于python模块queue已经实现多线程安全，实际编码中，不再需要进行锁的操作，此处只是进行编程演示。
import threading
import queue
import time
‘‘‘
实现功能：定义一个FIFO的queue,10个元素，3个线程同时来获取
queue线程安全的队列，因此不需要加
thread_lock.acquire()
thread_lock.release()
‘‘‘
# 自定义一个线程类，继承threading.Thread，重写__init__和run方法即可
class MyThread(threading.Thread):
def __init__(self,threadid,name,q):
threading.Thread.__init__(self)
self.threadid = threadid
self.name = name
self.q =q
print("%s : Init %s success."%(time.ctime(),self.name))
def run(self):
is_empty = False
while not is_empty:
thread_lock.acquire()
if not q.empty():
data = self.q.get()
print("Thread %d get:%d"%(self.threadid,data))
time.sleep(1)
thread_lock.release()
else:
is_empty = True
thread_lock.release()
# 定义一个锁
thread_lock = threading.Lock()
# 定义一个FIFO队列
q = queue.Queue()
# 定义线程列表
thread_name_list = ["Thread-1","Thread-2","Thread-3"]
thread_handler_lists = []
# 初始化队列
thread_lock.acquire()
for i in range(10):
q.put(i)
thread_lock.release()
print("%s : Init queue,size:%d"%(time.ctime(),q.qsize()))
# 初始化线程
thread_id = 1
for thread_name in thread_name_list:
thread = MyThread(thread_id,thread_name,q)
thread.start()
thread_handler_lists.append(thread)
thread_id += 1
# 等待线程执行完毕
for thread_handler in thread_handler_lists:
thread_handler.join()
print("%s : End of progress"%(time.ctime()))
2、python多线程机制分析
讨论前，我们先梳理几个概念：
并行和并发
并发的关键是你有处理多个任务的能力，不一定要同时。而并行的关键是你有同时处理多个任务的能力。我认为它们最关键的点就是：是否是『同时』，或者说并行是并发的子集。
GIL
GIL:全局解释锁，python解释器级别的锁，为了保证程序本身运行正常，例如python的自动垃圾回收机制，在我们程序运行的同时，也在进行垃圾清理工作。
下图试图模拟A进程中3个线程的执行情况：
1、 t1、t2、t3线程处于就绪状态，同时向python解释器获取GIL锁
2、 假设t1获取到GIL锁，被python分配给任意CPU执行，处于运行状态
3、 Python基于某种调度方式（例如pcode），会让t1释放GIL锁，重新处于就绪状态
4、 重复1步骤，假设这时t2获取到GIL锁，运行过程同上，被python分配给任意CPU执行，处于运行状态，Python基于某种调度方式（例如pcode），会让t2释放GIL锁，重新处于就绪状态
5、 最后可以推得t1、t2、t3按如下1、2、3、4方式串行运行
因此，尽管t1、t2、t3为三个线程，理论上可以并行运行，但实际上python解释器引入GIL锁以后，多CPU场景下，也不再是并行方式运行，甚至比串行性能更差，下面我们做个测试：
我们写两个计算函数，测试单线程和多线程的时间开销，代码如下：
import threading
import time
# 定义两个计算量大的函数
def sum():
sum = 0
for i in range(100000000):
sum += i
def mul():
sum = 0
for i in range(10000000):
sum *= i
# 单线程时间测试
starttime = time.time()
sum()
mul()
endtime = time.time()
period = endtime - starttime
print("The single thread cost:%d"%(period))
# 多线程时间测试
starttime = time.time()
l = []
t1 = threading.Thread(target = sum)
t2 = threading.Thread(target = sum)
l.append(t1)
l.append(t2)
for i in l:
i.start()
for i in l:
i.join()
endtime = time.time()
period = endtime - starttime
print("The mutiple thread cost:%d"%(period))
print("End of program.")
测试发现，多线程的时间开销居然比单线程还要大：
这个结果有点让人不可接受，那有没有办法优化？答案是有的，比如把多线程变成多进程，但是考虑到进程开销问题，实际编程中，不能开过多进程，另外进程+协程也可以提高一定性能，这里暂时不再深入分析。
有兴趣可以继续阅读下链接博客：http://cenalulu.github.io/python/gil-in-python/
原文地址：https://www.cnblogs.com/python-frog/p/8640676.html