这篇文章主要介绍“怎么让python程序正确高效地并发”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“怎么让python程序正确高效地并发”文章能帮助大家解决问题。
python线程何时需要拥有GIL？
GIL 是 CPython 解释器的实现的一部分，它是一个线程锁：在一个给定的时间只有一个线程可以获取锁。因此，要了解 GIL 如何影响 Python 的多线程并行能力，我们首先需要回答一个关键问题：Python 线程何时需要持有 GIL？
认知模型1：同一时刻只有一个线程运行python代码
考虑以下代码； 它在两个线程中运行函数 go()：
import threadingimport timedef go(): start = time.time() while time.time() < start + 0.5: sum(range(10000))def main(): threading.Thread(target=go).start() time.sleep(0.1) go()main()当我们使用 Sciagraph 性能分析器运行它时，执行时间线如下所示：
注意：线程是如何在 CPU 上等待和运行之间来回切换的：运行代码持有 GIL，等待线程正在等待 GIL。
如果 GIL 5 毫秒（或其他可配置的时间间隔）没有释放，Python 会告诉当前正在运行的线程释放 GIL。下一个线程拿到GIL后就可以运行。如上图所示，我们看到两个线程之间来回切换；实际显示的间隔长于 5 毫秒，因为采样分析器每 47 毫秒左右采样一次。
这就是我们最初的认知模型，或者说是对于GIL最浅层的认知：
线程必须持有 GIL 才能运行 Python 代码。
其他线程无法获取 GIL，因此无法运行，直到当前运行的线程释放它，GIL的切换每 5ms 进行一次。
模型2：不保证每 5 毫秒释放一次 GIL
GIL 在 Python 3.7 到 3.10 中默认每 5ms 释放一次，从而允许其他线程运行：
>>> import sys>>> sys.getswitchinterval()0.005但是，这些版本中的GIL是尽力而为的，也就是说，其不能保证每隔5ms一定使得线程释放。考虑一个简单的伪代码，解释器在运行python线程时的逻辑如这个伪代码中的死循环所示：只有运行完一个操作后解释器python才会去检查是否释放GIL锁。
当然，python内部的实现逻辑比这个伪代码复杂的多，但是遵循的原则是相同的：
while True: if time_to_release_gil(): temporarily_release_gil() run_next_python_instruction()只要 run_next_python_instruction() 没有完成，temporary_release_gil() 就不会被调用。 大多数情况下，这不会发生，因为单个操作（添加两个整数、追加到列表等）很快就可以完成。因此，解释器可以经常检查是否该释放GIL。
但是，长时间运行的操作会阻止 GIL 自动释放。 让我们编写一个小的Cython拓展，Cython是一种类似 Python的语言，其代码会转化成C/C++代码，并编译成可以被python调用的形式。下边的代码调用标准 C 库中的 sleep() 函数：
cdef extern from "unistd.h": unsigned int sleep(unsigned int seconds)def c_sleep(unsigned int seconds): sleep(seconds)我们可以使用 Cython 附带的 cythonize 工具将其编译为可导入的 Python 扩展：
$ cythonize -i c_sleep.pyx...$ ls c_sleep*.soc_sleep.cpython-39-x86_64-linux-gnu.so接下来从一个 Python 程序中调用它，该程序会创建一个新线程，并调用c_sleep()，该新线程与主线程是并行的：
import threadingimport timefrom c_sleep import c_sleepdef thread(): c_sleep(2)threading.Thread(target=thread).start()start = time.time()while time.time() < start + 2: sum(range(10000))
直到睡眠线程完成前，主线程无法运行；睡眠线程根本没有释放 GIL。这是因为python在调用底层语言（如C）所编写的模块时是阻塞性的调用，只有等到调用返回结果之后，本条语句才算执行结束。而对 c_sleep(2) 的调用在2秒内没有返回。在这2秒结束之前，Python 解释器循环不会运行，因此不会检查它是否应该自动释放 GIL。
这是我们深化后的对GIL的认知：
Python 线程必须持有 GIL 才能运行代码。
其他 Python 线程无法获取 GIL，因此无法运行，直到当前运行的线程释放它，这会自动每 5 毫秒发生一次。
长时间运行（“阻塞”）的扩展代码会阻止自动切换。
模型3：非 Python 代码可以显式释放 GIL
time.sleep(3)使得线程3秒内什么都不做。如上所述，运行时间较长的拓展代码会阻止GIL在线程之间的自动切换。那么这是否意味当某一线程运行time.sleep()时，其他线程也不能运行？
让我们试试下面的代码，它尝试在主线程中并行运行 3 秒的睡眠和 5 秒的计算：
import threadingfrom time import time, sleepprogram_start = time()def thread(): sleep(3) print("Sleep thread done, elapsed:", time() - program_start)threading.Thread(target=thread).start()# 在主线程中进行5秒的计算:calc_start = time()while time() < calc_start + 5: sum(range(10000))print("Main thread done, elapsed:", time() - program_start)运行后的结果为：
$ time python gil2.py Sleep thread done, elapsed: 3.0081260204315186Main thread done, elapsed: 5.000330924987793real 0m5.068suser 0m4.977ssys 0m0.011s如果程序只能单线程的运行，那么程序运行时长需要8秒，3秒用于睡眠，5秒用于计算。从上边的结果可以看出，睡眠线程和主线程并行运行！
Sciagraph 性能分析器的输出如下图所示：
想要了解这个现象的原因，需要我们阅读time.sleep的实现代码：
int ret; Py_BEGIN_ALLOW_THREADS#ifdef HAVE_CLOCK_NANOSLEEP ret = clock_nanosleep(CLOCK_MONOTONIC, TIMER_ABSTIME, &timeout_abs, NULL); err = ret;#elif defined(HAVE_NANOSLEEP) ret = nanosleep(&timeout_ts, NULL); err = errno;#else ret = select(0, (fd_set *)0, (fd_set *)0, (fd_set *)0, &timeout_tv); err = errno;#endif Py_END_ALLOW_THREADS根据 PY_BEGIN/END_ALLOW_THREADS 的文档，Py_BEGIN_ALLOW_THREADS会使得程序自动的释放GIL锁，然后去执行阻塞操作，当程序运行到Py_END_ALLOW_THREADS时才会申请GIL锁。因此，上边的C实现在调用底层操作系统睡眠函数时会显式释放GIL。这是GIL释放的另一种方式，它与我们目前知道的每 5 毫秒自动切换一次是相互独立的。
任何已释放 GIL 并且不尝试申请它的代码（比如上文的sleep()期间）都不会阻塞其他申请GIL的线程。 因此，只要程序能够显式释放 GIL，我们可以并行运行任意数量的线程。
所以这是我们的第三层认知：
线程必须持有 GIL 才能运行 Python 代码。
其他线程无法获取 GIL，因此无法运行，直到当前运行的线程释放它，这会自动每 5ms 发生一次。
长时间运行（“阻塞”）的扩展代码会阻止自动切换。
然而，用 C（或其他低级语言）编写的 Python 扩展可以显式释放 GIL，从而允许一个或多个线程与持有 GIL 的线程并行运行。
模型4：调用 Python C API 需要 GIL
到目前为止，我们已经说过python调用的C代码能够在某些情况下主动释放GIL。但是，线程调用 CPython C API时都必须持有 GIL。
当线程调用CPython C API时必须持有GIL，只有很少的API不需要持有GIL
(CPython C API可以使得Python程序调用已编译的利用C/C++编写的代码片段，Python 语言和标准库的大部分核心功能都是用 C 编写的)
所以这是我们最终的认知模型：
线程必须持有 GIL 才能调用 CPython C API。
在解释器中运行的 Python 代码，例如 x = f(1, 2)，会使用这些 API。 每个 == 比较、每个整数加法、每个 list.append：都需要调用 CPython C API。 因此，线程运行 Python 代码时必须持有锁。
其他线程无法获取 GIL，因此无法运行，直到当前运行的线程释放它，这会自动每 5ms 发生一次。
长时间运行（“阻塞”）的扩展代码会阻止自动切换。
然而，用 C（或其他低级语言）编写的 Python 扩展可以显式释放 GIL，从而允许一个或多个线程与持有 GIL 的线程并行运行。
什么场景适合利用python的并发？
当调用运行时间较长的，用C编写的API时应当主动释放GIL
python多线程最有用的情况是，线程调用长时间运行的C/C++/RUST代码，因此会长时间的不需要调用CPython C API，此时就可以让线程释放GIL从而允许其他线程运行。
不适合并发的场景：
所谓的纯python代码，指的是代码只与python内置的对象，如字典，整数，列表交互，并且代码也不会阻塞性的调用底层代码，这样的代码会频繁地使用Python C API：
l = []for i in range(i): l.append(i * i)此时搞线程并发并没有太大的意义
使用Python C API的低级代码
另一种不会获得太多并行性的情况是：在C/Rust扩展中需要使用大量的Python C API。例如，考虑一个读取以下字符串的 JSON 解析器：
[1, 2, 3]解析器将：
读取几个字节，然后创建一个 Python 列表。
然后它将读取更多字节，然后创建一个 Python 整数并将其附加到列表中。
这种情况一直持续到数据处理完为止。
创建所有这些 Python 对象需要使用 CPython C API，因此需要持有 GIL。由于反复占有和释放 GIL 会降低程序的性能，而且大多数 JSON 文档都可以非常快速地解析。 因此，JSON解析器的开发者当然会选择在整个处理过程结束之前都不释放GIL，但这也导致json解析器解析期间，程序只能线性运行。
让我们通过观察当我们在两个线程中读取两个大文档时，Python的内置JSON解析器如何影响并行性来验证这个假设。代码如下所示：
import jsonimport threadingdef load_json(): with open("large.json") as f: return json.load(f)threading.Thread(target=load_json).start()load_json()性能分析器的结果如下所示：
很明显，同时运行两个json解析器时，线程之间完全没有并行
关于“怎么让python程序正确高效地并发”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注编程网行业资讯频道，小编每天都会为大家更新不同的知识点。
