Python-GIL深度理解

1.GIL介绍

        GIL，意为全局解释器锁，是cPython执行多线程/进程计算密集型代码效果不如人意的主要原因。
        cPython限制一个进程内同时只能执行一个线程。
首先介绍一下，正常多线程/进程执行时，多线程/进程数据混乱的原因：
      cpu分成多个时间片段，启动10线程，分配10个cpu时间片段，当我累加数字设置比较小的时候，在单个cpu时间片段内，for循环代码就执行完，就不会产生数据混乱的。当我数据设置的比较大时，在单个cpu时间片段内，for循环代码就执行不完，并且没有分配2个或2个以上的连续的cpu时间片段，导致一个cpu时间片段没有执行完该线程，下一个线程开始执行了 ​ 原文链接：https://blog.csdn.net/YZL40514131/article/details/126198377

        GIL是CPython才有的限制。

    每个进程分配一个cPython解释器，垃圾回收功能也算解释器的一个线程，而且是线程不安全的。
    所以cPython限制一个进程内同时只能执行一个线程，这就是GIL。
    所以可以看出，GIL本质是个线程互斥锁。 GIL会在抢到锁后执行IO操作时被释放，所以IO密集型多线程/进程不受GIL影响，因为GIL会被不断释放。 
    Python的GIL（全局解释器锁）会在执行阻塞IO操作时被释放。这是因为在等待IO操作完成的过程中，Python线程不需要持有GIL，也不需要执行Python字节码。所以，在这种情况下，其他Python线程可以获得GIL并执行代码。

2.测试代码

#多线程执行以下代码，结果正常，因为GIL充当互斥锁。
def task():
    global g_n
    tem=g_n
    # time.sleep(0.05)
    g_n=tem-1
#以上代码等价于
def task():
    global g_n
    mutex.acquire()
    tem=g_n
    # time.sleep(0.05)
    g_n=tem-1
    mutex.release()
#但是time.sleep()执行后，出现数据混乱的问题，因为sleep是io操作，io操作提前释放了该线程的GIL，以至于没有互斥作用
def task():
    global g_n
    tem=g_n
    time.sleep(0.05)
    g_n=tem-1
#所以需要自己手动加上互斥锁
def task():
    global g_n
    mutex.acquire()
    tem=g_n
    time.sleep(0.05)
    g_n=tem-1
    mutex.release()#结果正确

完整测试代码：

import os
import random
import threading
import multiprocessing
import time
from multiprocessing import Process
from threading import Thread
g_n=180#初始值
cnt=int(10)
cpu_cnt=os.cpu_count()
mutex=threading.Lock()
def task():
    global g_n
    mutex.acquire()
    tem=g_n#取出全局变量的值
    # time.sleep(0.05)
    g_n=tem-1#每次减一
    mutex.release()
if __name__ == '__main__':
    l_p=[]
    print("cpu_cnt: ",cpu_cnt)
    for _ in range(cpu_cnt):#创建cpu核数个线程
        t=Thread(target=task)
        t.start()#执行
        l_p.append(t)
    for t in l_p:
        t.join()#同时结束
    print(f"实际为",g_n)