本文共 4069 字，大约阅读时间需要 13 分钟。
在这篇博文中，我们将介绍Python GIL, Threads, Processes和AsyncIO
假设我们想要编写一个函数，该函数将数字作为参数并简单的倒计时，挺容易：
def count_down(n): while n > 0: n -= 1
让我们用一个大数字来调用这个函数并测量函数耗时：
from time import timebefore = time()count_down(100000000)after = time()print(after - before)
在我的机器上，需要5.62秒。现在，让我们调用它两次并测量耗时
from time import timebefore = time()count_down(100000000)count_down(100000000)after = time()print(after - before)
在我的机器上，需要11.58秒
它正常工作，但是我们的老板不满意，他希望执行的更快。我们如何让它更快？我们使用多线程使这两次函数调用并行运行。理论上，并行运行函数两次应该花费函数一次执行的时间，因为函数的调用是并行执行的。让我们通过在不同的线程中调用这个函数两次：
from threading import Threadfrom time import timebefore = time()threads = []for item in range(1, 3): t = Thread(target=count_down, args=(100000000,)) t.start() threads.append(t)[thread.join() for thread in threads]after = time()print(after - before)
我的机器大约需要11.2秒。等等，什么？它不仅没有之前的快，但实际上它甚至比不使用多线程更慢。使用Python2.7你会得到更糟糕的结果。在一个着名的软件开发人员David Beazly报告(inside the Python GIl)中提到：它甚至花费几乎两倍的时间
But, WHY?
请欢迎臭名昭著的GIL(Global Interpreter Lock). 这家伙应该为Python世界上所有的事情负责。GIL在同一时间只允许一个线程运行。在上面的例子中，当我们认为我们使用了两个线程，我们实际只是用了一个，因为GIL不允许我们这么做。这就是它无法运行得更快的原因。但是，为什么它甚至更慢？因为Python试图不停的切换线程让两个线程同时工作。GIL不允许这么做。然而，无用的切换会带来额外的开销。因此，最终结果甚至更慢。
But, WHY?
我们都知道多线程是个好东西，可以帮我们让程序运行更快。 为什么有GIL的存在呢？该死的，GIL就像行尸走肉中的Negan
好吧，事实证明GIL并不是一个恶棍。实际上，GIL是一个好东西。实际上Python的内存管理不是线程安全的！也就是说，如果你同时运行多个线程，你的程序会出现各种莫名其妙的现象甚至是灾难性的。GIL可以帮我们摆脱这种情况。
但是，删除Thread类不是更容易吗？
很好的问题！既然想到要编写一个额外的工具来防止Threads对我们的程序产生不好影响，为什么不直接删除Threads类，让程序员根本无法使用它们呢？
实际上，有些情况Thread很有用。以上的示例都是CPU密集型计算，意味着它们只需在CPU上运行并且在CPU上等待。但是，如果你的代码是IO密集型计算或者是图像处理或者是NumPy数字运算，GIL将不会妨碍，因为这些操作发生在GIL之外。在这些地方你可以安全有效的使用Thread
让我们编写一个IO密集型计算的函数，函数完成请求一个url并将结果作为文本返回。
import requestsdef get_content(url): response = requests.get(url) return response.text
在我的机器上，使用参数谷歌调用一次此函数需要1.1 秒，调用两次需要2.1秒。现在让我们在不同的线程中调用此函数两次，看看Thread 的效果。
urls = ['https://google.com'] * 2before = time()threads = []for url in urls: thread1 = Thread(target=get_content, args=(url,)) thread1.start() threads.append(thread1)[thread.join() for thread in threads]after = time()print(after - before)
只需要1.15秒，万岁！在不同的线程中调用两次相当于调用一次的时间。因为我们的函数是IO密集型计算。当我们的函数是CPU密集型计算(之前的示例中函数完成递减就是CPU密集型计算)时同样的事情就不会发生。
还有一个问题
每一个线程需要一些额外的内存，线程切换需要一些时间。虽然不是很多，但是当你运行数千个线程的时候资源的消耗就会增加。想象一下数千兆字节的额外RAM和至少5%的CPU时间仅用于上下文切换。
为了解决这个问题，Python开发人员提供了一个asyncio库。它有自己的事件循环来控制单个线程内异步方式的函数执行。如果线程被底层的操作系统控制，asyncio知道何时借助于开发人员自己编写的关键词切换任务。没错！你来决定何时切换。让我们将上面的示例转换成asyncio实现：
import asyncioimport aiohttploop = asyncio.get_event_loop()session = aiohttp.ClientSession(loop=loop)async def get_content(pid, url): async with session.get(url) as response: content = await response.read() print(pid, content)loop.create_task(get_content(1, 'http://asyncio.readthedocs.io/'))loop.create_task(get_content(2, 'http://asyncio.readthedocs.io/'))loop.create_task(get_content(3, 'http://asyncio.readthedocs.io/'))loop.create_task(get_content(4, 'http://asyncio.readthedocs.io/'))loop.create_task(get_content(5, 'http://asyncio.readthedocs.io/'))loop.run_forever()
注意我们使用了aiohttp代替了requests ，因为它是一个异步的HTTP包。在不涉及细节的情况下，这段代码做所的是定义一个异步函数(aka协成)并使用不同的ID(仅仅是为了说明其异步性)调用五次，输出应该是这样的：
1 b'\n
请注意，ID不是按照他们的调用顺序来显示的，也就是说当遇到关键词await时任务被切换了。我们可以使用Thread 得到相同的结果，但是asyncio使用了较少的开销并且您控制切换过程。
虽然这个示例没有解释asyncio的细节， 但我希望它至少能解释为什么它是有用的。
好了，我们现在处理了IO密集型任务，让我们回到我们第一个CPU密集型计算的问题。
CPU密集型计算任务的解决方式
在Python中，multiprocessing.Process提供了和Thread相似的功能和接口。区别是它使用了子进程而不是线程。这就是它不会被GIL阻塞的原因。太棒了！让我们使用Process重写上面的示例。正如我所说，Process提供了和Thread形似的接口，我们只需要把Thread替换成Process即可完成这个示例：
from multiprocessing import Processfrom time import timedef count_down(n): while n > 0: n -= 1before = time()processes = []for item in range(1, 2): process1 = Process(target=count_down, args=(100000000,)) process1.start() processes.append(process1)[process.join() for process in processes]after = time()print(after - before)
我的机器花了11秒。这是我们之前调用一次函数的时间。酷！试着再添加一个进程仍然需要同样的时间。太棒了！但是，请记住，进程在一个单独的内容空间运行，因此不能彼此共享数据，而线程可以。
我们这里谈的是Cpython。还有一些其他的实现，像Jpython和IronPython没有GIL，所以可以直接使用线程。如果你不知道Jpython或者IronPython是什么，请自行GOOGLE，这里有一篇博文仅供参考:What is Python?
原文发布时间为：2018-08-01
本文作者： Tonner本文来自云栖社区合作伙伴“”，了解相关信息可以关注“ ”转载地址：http://ljvpa.baihongyu.com/