深入理解GIL：如何写出高性能及线程安全的Python代码

6岁时，我有一个音乐盒。我上紧发条，音乐盒顶上的芭蕾舞女演员就会旋转起来，同时，内部装置发出“一闪一闪亮晶晶，满天都是小星星”的叮铃声。那玩意儿肯定俗气透了，但我喜欢那个音乐盒，我想知道它的工作原理是什么。后来我拆开了，才看到它里面一个简单的装置，机身内部镶嵌着一个拇指大小的金属圆筒，当它转动时会拨弄钢制的梳齿，从而发出这些音符。

在一个程序员具备的所有特性中，想探究事物运转规律的这种好奇心必不可少。当我打开音乐盒，观察内部装置，可以看出即使我没有成长为一个卓越的程序员，至少也是有好奇心的一个。

奇怪的是，我写 Python
程序多年，一直对全局解释器锁(GIL)持有错误的观念，因为我从未对它的运作机理产生足够好奇。我遇到其他对此同样犹豫和无知的人。是时候让我们来打开这个盒子一窥究竟了。让我们解读
CPython 解释器源码，找出 GIL 究竟是什么，为什么它存在于 Python
中，它又是怎么影响多线程程序的。我将通过举例帮助你深入理解 GIL 。你将会学到如何写出快速运行和线程安全的 Python
代码，以及如何在线程和进程中做选择。

(我在本文中只描述 CPython，而不是 Jython、PyPy 或 IronPython。因为目前绝大多数程序员还是使用 CPython 实现 Python 。)

瞧，全局解释器锁(GIL)

这里：

1. static PyThread_type_lock interpreter_lock = 0; /* This is the GIL */ 

这一行代码摘自 ceval.c —— CPython 2.7 解释器的源代码，Guido van Rossum 的注释”This is
the GIL“ 添加于2003 年，但这个锁本身可以追溯到1997年他的第一个多线程 Python 解释器。在
Unix系统中，PyThread_type_lock 是标准 C mutex_t 锁的别名。当 Python 解释器启动时它初始化：

1. void 
2.  
3. PyEval_InitThreads(void) 
4.  
5. { 
6.  
7.     interpreter_lock = PyThread_allocate_lock(); 
8.  
9.     PyThread_acquire_lock(interpreter_lock); 
10.  
11. }  

解释器中的所有 C 代码在执行 Python 时必须保持这个锁。Guido 最初加这个锁是因为它使用起来简单。而且每次从 CPython
中去除 GIL 的尝试会耗费单线程程序太多性能，尽管去除 GIL 会带来多线程程序性能的提升，但仍是不值得的。(前者是Guido最为关切的,
也是不去除 GIL 最重要的原因, 一个简单的尝试是在1999年, 最终的结果是导致单线程的程序速度下降了几乎2倍.)

GIL 对程序中线程的影响足够简单，你可以在手背上写下这个原则：“一个线程运行 Python ，而其他 N 个睡眠或者等待
I/O.”(即保证同一时刻只有一个线程对共享资源进行存取) Python
线程也可以等待threading.Lock或者线程模块中的其他同步对象;线程处于这种状态也称之为”睡眠“。

线程何时切换?一个线程无论何时开始睡眠或等待网络 I/O，其他线程总有机会获取 GIL 执行 Python
代码。这是协同式多任务处理。CPython 也还有抢占式多任务处理。如果一个线程不间断地在 Python 2 中运行 1000
字节码指令，或者不间断地在 Python 3 运行15 毫秒，那么它便会放弃 GIL，而其他线程可以运行。把这想象成旧日有多个线程但只有一个
CPU 时的时间片。我将具体讨论这两种多任务处理。

把 Python 看作是旧时的大型主机，多个任务共用一个CPU。

协同式多任务处理

当一项任务比如网络 I/O启动，而在长的或不确定的时间，没有运行任何 Python 代码的需要，一个线程便会让出GIL，从而其他线程可以获取 GIL 而运行 Python。这种礼貌行为称为协同式多任务处理，它允许并发;多个线程同时等待不同事件。

也就是说两个线程各自分别连接一个套接字：

1. def do_connect(): 
2.  
3.     s = socket.socket() 
4.  
5.     s.connect(('python.org', 80))  # drop the GIL 
6.  
7.   
8.  
9. for i in range(2): 
10.  
11.     t = threading.Thread(target=do_connect) 
12.  
13.     t.start()  

两个线程在同一时刻只能有一个执行 Python ，但一旦线程开始连接，它就会放弃 GIL ，这样其他线程就可以运行。这意味着两个线程可以并发等待套接字连接，这是一件好事。在同样的时间内它们可以做更多的工作。

让我们打开盒子，看看一个线程在连接建立时实际是如何放弃 GIL 的，在 socketmodule.c 中:

1. /* s.connect((host, port)) method */ 
2.  
3. static PyObject * 
4.  
5. sock_connect(PySocketSockObject *s, PyObject *addro) 
6.  
7. { 
8.  
9.     sock_addr_t addrbuf; 
10.  
11.     int addrlen; 
12.  
13.     int res; 
14.  
15.   
16.  
17.     /* convert (host, port) tuple to C address */ 
18.  
19.     getsockaddrarg(s, addro, SAS2SA(&addrbuf), &addrlen); 
20.  
21.   
22.  
23.     Py_BEGIN_ALLOW_THREADS 
24.  
25.     res = connect(s->sock_fd, addr, addrlen); 
26.  
27.     Py_END_ALLOW_THREADS 
28.  
29.   
30.  
31.     /* error handling and so on .... */ 
32.  
33. }  

线程正是在Py_BEGIN_ALLOW_THREADS 宏处放弃 GIL;它被简单定义为：

1. PyThread_release_lock(interpreter_lock); 

当然 Py_END_ALLOW_THREADS
重新获取锁。一个线程可能会在这个位置堵塞，等待另一个线程释放锁;一旦这种情况发生，等待的线程会抢夺回锁，并恢复执行你的Python代码。简而言之：当N个线程在网络
I/O 堵塞，或等待重新获取GIL，而一个线程运行Python。

下面来看一个使用协同式多任务处理快速抓取许多 URL 的完整例子。但在此之前，先对比下协同式多任务处理和其他形式的多任务处理。

抢占式多任务处理

Python线程可以主动释放 GIL，也可以先发制人抓取 GIL 。

让我们回顾下 Python
是如何运行的。你的程序分两个阶段运行。首先，Python文本被编译成一个名为字节码的简单二进制格式。第二，Python解释器的主回路，一个名叫
pyeval_evalframeex() 的函数，流畅地读取字节码，逐个执行其中的指令。

当解释器通过字节码时，它会定期放弃GIL，而不需要经过正在执行代码的线程允许，这样其他线程便能运行：

1. for (;;) { 
2.  
3.     if (--ticker < 0) { 
4.  
5.         ticker = check_interval; 
6.  
7.   
8.  
9.         /* Give another thread a chance */ 
10.  
11.         PyThread_release_lock(interpreter_lock); 
12.  
13.   
14.  
15.         /* Other threads may run now */ 
16.  
17.   
18.  
19.         PyThread_acquire_lock(interpreter_lock, 1); 
20.  
21.     } 
22.  
23.   
24.  
25.     bytecode = *next_instr++; 
26.  
27.     switch (bytecode) { 
28.  
29.         /* execute the next instruction ... */ 
30.  
31.     } 
32.  
33. }  

默认情况下，检测间隔是1000 字节码。所有线程都运行相同的代码，并以相同的方式定期从他们的锁中抽出。在 Python 3 GIL 的实施更加复杂，检测间隔不是一个固定数目的字节码，而是15 毫秒。然而，对于你的代码，这些差异并不显著。

Python中的线程安全

将多个线状物编织在一起，需要技能。

如果一个线程可以随时失去 GIL，你必须使让代码线程安全。 然而 Python 程序员对线程安全的看法大不同于 C 或者 Java 程序员，因为许多 Python 操作是原子的。

在列表中调用
sort()，就是原子操作的例子。线程不能在排序期间被打断，其他线程从来看不到列表排序的部分，也不会在列表排序之前看到过期的数据。原子操作简化了我们的生活，但也有意外。例如，+
= 似乎比 sort() 函数简单，但+ =不是原子操作。你怎么知道哪些操作是原子的，哪些不是?

看看这个代码：

1. n = 0 
2.  
3. def foo(): 
4.  
5.     global n 
6.  
7.     n += 1  

我们可以看到这个函数用 Python 的标准 dis 模块编译的字节码：

1. >>> import dis 
2.  
3. >>> dis.dis(foo) 
4.  
5. LOAD_GLOBAL              0 (n) 
6.  
7. LOAD_CONST               1 (1) 
8.  
9. INPLACE_ADD 
10.  
11. STORE_GLOBAL             0 (n)  

代码的一行中， n += 1，被编译成 4 个字节码，进行 4 个基本操作：

1. 将 n 值加载到堆栈上
2. 将常数 1 加载到堆栈上
3. 将堆栈顶部的两个值相加
4. 将总和存储回 n

记住，一个线程每运行 1000 字节码，就会被解释器打断夺走 GIL 。如果运气不好，这(打断)可能发生在线程加载 n 值到堆栈期间，以及把它存储回 n 期间。很容易可以看到这个过程会如何导致更新丢失：

1. threads = [] 
2.  
3. for i in range(100): 
4.  
5.     t = threading.Thread(target=foo) 
6.  
7.     threads.append(t) 
8.  
9. for t in threads: 
10.  
11.     t.start() 
12.  
13. for t in threads: 
14.  
15.     t.join() 
16.  
17. print(n)  

通常这个代码输出 100，因为 100 个线程每个都递增 n 。但有时你会看到 99 或 98 ，如果一个线程的更新被另一个覆盖。

所以，尽管有 GIL，你仍然需要加锁来保护共享的可变状态：

1. n = 0 
2.  
3. lock = threading.Lock() 
4.  
5. def foo(): 
6.  
7.     global n 
8.  
9.     with lock: 
10.  
11.         n += 1  

如果我们使用一个原子操作比如 sort() 函数会如何呢?：

1. lst = [4, 1, 3, 2] 
2.  
3. def foo(): 
4.  
5.     lst.sort()  

这个函数的字节码显示 sort() 函数不能被中断，因为它是原子的：

1. >>> dis.dis(foo) 
2.  
3. LOAD_GLOBAL              0 (lst) 
4.  
5. LOAD_ATTR                1 (sort) 
6.  
7. CALL_FUNCTION            0  

一行被编译成 3 个字节码：

1. 将 lst 值加载到堆栈上
2. 将其排序方法加载到堆栈上
3. 调用排序方法

即使这一行 lst.sort() 分几个步骤，调用 sort 自身是单个字节码，因此线程没有机会在调用期间抓取 GIL 。我们可以总结为在
sort() 不需要加锁。或者，为了避免担心哪个操作是原子的，遵循一个简单的原则：始终围绕共享可变状态的读取和写入加锁。毕竟，在
Python 中获取一个 threading.Lock 是廉价的。

尽管 GIL 不能免除我们加锁的需要，但它确实意味着没有加细粒度的锁的需要(所谓细粒度是指程序员需要自行加、解锁来保证线程安全，典型代表是
Java , 而 CPthon 中是粗粒度的锁，即语言层面本身维护着一个全局的锁机制,用来保证线程安全)。在线程自由的语言比如
Java，程序员努力在尽可能短的时间内加锁存取共享数据，减轻线程争夺，实现最大并行。然而因为在 Python
中线程无法并行运行，细粒度锁没有任何优势。只要没有线程保持这个锁，比如在睡眠，等待I/O, 或者一些其他失去 GIL
操作，你应该使用尽可能粗粒度的，简单的锁。其他线程无论如何无法并行运行。

并发可以完成更快

我敢打赌你真正为的是通过多线程来优化你的程序。通过同时等待许多网络操作，你的任务将更快完成，那么多线程会起到帮助，即使在同一时间只有一个线程可以执行 Python 。这就是并发，线程在这种情况下工作良好。

线程中代码运行更快

1. import threading 
2.  
3. import requests 
4.  
5. urls = [...] 
6.  
7. def worker(): 
8.  
9.     while True: 
10.  
11.         try: 
12.  
13.             url = urls.pop() 
14.  
15.         except IndexError: 
16.  
17.             break  # Done. 
18.  
19.         requests.get(url) 
20.  
21. for _ in range(10): 
22.  
23.     t = threading.Thread(target=worker) 
24.  
25.     t.start()  

正如我们所看到的，在 HTTP上面获取一个URL中，这些线程在等待每个套接字操作时放弃 GIL，所以他们比一个线程更快完成工作。

Parallelism 并行

如果想只通过同时运行 Python 代码，而使任务完成更快怎么办?这种方式称为并行，这种情况 GIL 是禁止的。你必须使用多个进程，这种情况比线程更复杂，需要更多的内存，但它可以更好利用多个 CPU。

这个例子 fork 出 10 个进程，比只有 1 个进程要完成更快，因为进程在多核中并行运行。但是 10 个线程与 1 个线程相比，并不会完成更快，因为在一个时间点只有 1 个线程可以执行 Python：

1. import os 
2.  
3. import sys 
4.  
5. nums =[1 for _ in range(1000000)] 
6.  
7. chunk_size = len(nums) // 10 
8.  
9. readers = [] 
10.  
11. while nums: 
12.  
13.     chunk, nums = nums[:chunk_size], nums[chunk_size:] 
14.  
15.     reader, writer = os.pipe() 
16.  
17.     if os.fork(): 
18.  
19.         readers.append(reader)  # Parent. 
20.  
21.     else: 
22.  
23.         subtotal = 0 
24.  
25.         for i in chunk: # Intentionally slow code. 
26.  
27.             subtotal += i 
28.  
29.         print('subtotal %d' % subtotal) 
30.  
31.         os.write(writer, str(subtotal).encode()) 
32.  
33.         sys.exit(0) 
34.  
35. # Parent. 
36.  
37. total = 0 
38.  
39. for reader in readers: 
40.  
41.     subtotal = int(os.read(reader, 1000).decode()) 
42.  
43.     total += subtotal 
44.  
45. print("Total: %d" % total)  

因为每个 fork 的进程有一个单独的 GIL，这个程序可以把工作分派出去，并一次运行多个计算。

(Jython 和 IronPython 提供单进程的并行，但它们远没有充分实现 CPython 的兼容性。有软件事务内存的 PyPy 有朝一日可以运行更快。如果你对此好奇，试试这些解释器。)

结语

既然你已经打开了音乐盒，看到了它简单的装置，你明白所有你需要知道的如何写出快速运行，线程安全的 Python 代码。使用线程进行并发 I/O 操作，在进程中进行并行计算。这个原则足够简单，你甚至不需要把它写在你的手上。

作者：伯乐专栏/郑芸

来源：51CTO