1. 并发与并行
- 所谓的并行（Parallelism），就是多个彼此独立的任务可以同时一起执行，彼此并不相互干扰，并行强调的是同时且独立的运行，彼此不需要协作。
- 而所谓并发（Concurrency），则是多个任务彼此交替执行，但是同一时间只能有一个处于运行状态，并发执行强调任务之间的彼此协作。
并发通常被误解为并行，并发实际是隐式的调度独立的代码，以协作的方式运行。比如在等待IO线程完成IO操作之前，可以启动IO线程之外的其他独立代码同步执行其他操作。
关于并发、并行的图示，如下：
由于CPython解释器中的全局解释器锁（GIL，Global Interpreter Lock）的存在，所以Python中的并行实际上是一种假并行，并不是真正意义上的同时独立运行。
2. 线程与进程的应用场景
进程（Process）是操作系统层面的一个抽象概念，它是运行代码创建出来的、加载到内存中运行的程序。电脑上通常运行着多个进程，这些进程之间是彼此独立运行的。
线程（Thread）是操作系统可以调度的最小运行程序单位，其包含在进程中，一个进程中通常至少包含1个线程，一些进程中会包含多个线程。多个线程运行的都是父进程的相同代码，理想情况下，这些线程是并行执行的，但由于GIL的存在，所以它们实际上是交替执行的，并不是真正意义上的独立、并行的执行的。
下表是进程与线程的对比：
对于IO密集型的操作，更适合使用多线程编程的方式来解决问题；对于CPU密集型的操作，则更适合使用多进程编程的方式来解决问题。
2.1. 并行/并发编程相关的技术栈
Python中提供了一些模块用于实现并行/并发编程，具体如下所示：
threading：Python中进行多线程编程的标准库，是一个对_thread进行再封装的高级模块。multiprocessing：类似于threading模块，提供的API接口也与threading模块类似，不同的是它进行多进程编程。concurrent.futures：标准库中的一个模块，在线程编程模块的基础上抽象出来的更高级实现，且该模块的编程为异步模式。queue：任务队列模块，queue中提供的队列是线程安全的，所以可以使用这个模块进行线程之间进行安全的数据交换操作。不支持分布式。celery：一个高级的分布式任务队列，通过multiprocessing模块或者gevent模块可以实现队列中人物的并发执行。支持多节点之间的分布式计算。 2.2. 通过编码比较多进程与多线程的执行效果
在下面的代码中，定义了两个函数：only_sleep()以及crunch_numbers()，前者用于模拟IO密集型操作（需要频繁中断），后者用于模拟CPU密集型操作。
然后在串行调用、多线程的方式调用、多进程的方式调用，三种不同的执行环境中，比较各个函数的执行效率情况。
具体代码以及执行结果如下所示：
import time
import datetime
import logging
import threading
import multiprocessing
FORMAT = "%(asctime)s [%(processName)s %(process)d] %(threadName)s %(thread)d <=%(message)s=>"
logging.basicConfig(format=FORMAT, level=logging.INFO, datefmt='%H:%M:%S')
def only_sleep():
"""
模拟IO阻塞型操作，此时多线程优势明显
:return:
"""
logging.info('in only_sleep function')
time.sleep(1)
def crunch_numbers():
"""
模拟CPU密集型操作，此时多进程优势明显
:return:
"""
logging.info('in crunch_numbers function')
x = 0
while x < 1000000:
x += 1
if __name__ == '__main__':
work_repeat = 4
print('==>> only_sleep function test')
count = 0
for func in (only_sleep, crunch_numbers):
count += 1
# run tasks serially
start1 = datetime.datetime.now()
for i in range(work_repeat):
func()
stop1 = datetime.datetime.now()
delta1 = (stop1 - start1).total_seconds()
print('Serial Execution takes {} seconds~'.format(delta1))
# run tasks with multi-threads
start2 = datetime.datetime.now()
thread_lst = [threading.Thread(target=func, name='thread-worker' + str(i)) for i in range(work_repeat)]
[thd.start() for thd in thread_lst]
[thd.join() for thd in thread_lst]
stop2 = datetime.datetime.now()
delta2 = (stop2 - start2).total_seconds()
print('Multi-Threads takes {} seconds~'.format(delta2))
# run tasks with multiprocessing
start3 = datetime.datetime.now()
proc_lst = [multiprocessing.Process(target=func, name='process-worker' + str(i)) for i in range(work_repeat)]
[thd.start() for thd in proc_lst]
[thd.join() for thd in proc_lst]
stop3 = datetime.datetime.now()
delta3 = (stop3 - start3).total_seconds()
print('Multi-Processing takes {} seconds~'.format(delta3))
if count == 1:
print('\n', '*.' * 30, end='\n\n')
print('==>> crunch_numbers function test')上述代码的执行结果如下：
23:55:51 [MainProcess 568124] MainThread 182168 <=in only_sleep function=>
==>> only_sleep function test
23:55:52 [MainProcess 568124] MainThread 182168 <=in only_sleep function=>
23:55:53 [MainProcess 568124] MainThread 182168 <=in only_sleep function=>
23:55:54 [MainProcess 568124] MainThread 182168 <=in only_sleep function=>
23:55:55 [MainProcess 568124] thread-worker0 553012 <=in only_sleep function=>
23:55:55 [MainProcess 568124] thread-worker1 567212 <=in only_sleep function=>
23:55:55 [MainProcess 568124] thread-worker2 547252 <=in only_sleep function=>
23:55:55 [MainProcess 568124] thread-worker3 561892 <=in only_sleep function=>
Serial Execution takes 4.022761 seconds~
Multi-Threads takes 1.01416 seconds~
23:55:56 [process-worker0 563068] MainThread 567480 <=in only_sleep function=>
23:55:56 [process-worker1 567080] MainThread 567628 <=in only_sleep function=>
23:55:56 [process-worker2 567868] MainThread 563656 <=in only_sleep function=>
23:55:56 [process-worker3 567444] MainThread 566436 <=in only_sleep function=>
23:55:57 [MainProcess 568124] MainThread 182168 <=in crunch_numbers function=>
Multi-Processing takes 1.11466 seconds~*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.*.
==>> crunch_numbers function test
23:55:57 [MainProcess 568124] MainThread 182168 <=in crunch_numbers function=>
23:55:57 [MainProcess 568124] MainThread 182168 <=in crunch_numbers function=>
23:55:57 [MainProcess 568124] MainThread 182168 <=in crunch_numbers function=>
Serial Execution takes 0.1786 seconds~
23:55:57 [MainProcess 568124] thread-worker0 567412 <=in crunch_numbers function=>
23:55:57 [MainProcess 568124] thread-worker1 566468 <=in crunch_numbers function=>
23:55:57 [MainProcess 568124] thread-worker2 565272 <=in crunch_numbers function=>
23:55:57 [MainProcess 568124] thread-worker3 568044 <=in crunch_numbers function=>
Multi-Threads takes 0.195057 seconds~
23:55:58 [process-worker0 567652] MainThread 561892 <=in crunch_numbers function=>
23:55:58 [process-worker1 553012] MainThread 547252 <=in crunch_numbers function=>
23:55:58 [process-worker2 554024] MainThread 556500 <=in crunch_numbers function=>
23:55:58 [process-worker3 565004] MainThread 566108 <=in crunch_numbers function=>
Multi-Processing takes 0.155246 seconds~Process finished with exit code 0
从上述执行结果中可以看出：
上述代码的执行结果也验证了此前的结论：对于IO密集型操作，适合使用多线程编程的方式解决问题；而对于CPU密集型的操作，则适合使用多进程编程的方式解决问题。
3. Python中的GIL是什么，它影响什么
GIL是CPython中实现的全局解释器锁 (Global Interpreter Lock)，由于CPython是使用最广泛的Python解释器，所以GIL也是Python世界中最饱受争议的一个主题。
GIL是互斥锁，其目的是为了确保线程安全，正是因为有了GIL，所以可以很方便的与外部非线程安全的模块或者库结合起来。但是这也是有代价的，由于有了GIL，所以导致Python中的并行并不是真正意义上的并行，所以也就无法同时创建两个使用相同代码段的线程，相同代码的线程只能有一个处于执行状态。因为GIL互斥锁，相同代码访问的数据会被加锁，只有当一个线程释放锁之后，相同代码的另一个线程才能访问未被加锁的数据。
所以Python中的多线程是相互交替执行的，并不是真正的并行执行的。但是在CPython之外的一些库，是可以实现真正意义上的并行的，比如numpy这个数据处理常用的库。
到此这篇关于Python并发编程多进程,多线程及GIL全局解释器锁的文章就介绍到这了,更多相关Python GIL解释器锁内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
