CPython（標準的python實現）有一個名為GIL（全域性直譯器鎖）的東西，它阻止兩個執行緒在同一個程式中同時執行。 有些人對此感到不安，而其他人則狠狠地為此辯護。 但是，有一些解決方法，像Numpy這樣的庫透過在C中執行外部程式碼來繞過這個限制。

何時使用執行緒與程序？

程序加速了CPU密集型的Python操作，因為它們受益於多個核心並避免使用GIL。

執行緒最適合IO任務或涉及外部系統的任務，因為執行緒可以更有效地組合他們的工作。 程序需要挑選他們的結果來組合它們需要時間。

由於GIL，執行緒在python中沒有為CPU密集型任務提供任何好處。而對於像Dot Product這樣的某些操作，Numpy可以解決Python的GIL並且並行執行程式碼。

I/O的多執行緒使用

應用程式的大部分時間都花在I/O上。無論是磁碟I/O還是網路I/O。

例如，對於Web應用程式，大多數情況下是處理資料庫。因此，在大多數現代應用程式中，最大的瓶頸是I/O。以下是開啟4個執行緒後效果，實際上效果還是很顯著的。

這意味著應用程式大部分都在等待，因此即使python沒有GIL，也不是所有應用程式都會一直執行（使用cpu，因為它們將等待I/O完成）。

所以，在大多數應用程式執行緒在I / O上等待的情況下，其他執行緒可以獲取CPU，從而提高效能。如果python沒有多執行緒，那麼其他一些執行緒無法獲得cpu因此浪費時間。現在至少當一個執行緒正在等待I/O時（大部分應用程式都是這種情況），其餘的執行緒都可以工作，那麼多執行緒還是有它存在的必要，所以這就是我們沒有看到GIL所擁有問題的原因。

當然如果你的應用程式是CPU密集型的，那麼在python中確實沒有太多的執行緒可以提供使用。

剛好，在整理關於對Python GIL的理解，正好可以回答這個問題，貼一下。

GIL 的存在一直是富有爭議的，它導致 Python 程式無法真正利用現代作業系統的多程序特性。需要注意的是，對於 I/O 圖形處理、NumPy 數學計算這樣的耗時操作都發生在 GIL 之外，實際上基本不受影響，真正受影響的都是 Python 位元組碼的執行，GIL 會導致效能瓶頸的出現。總之，只有在使用純 Python 做 CPU 密集的多執行緒運算時 GIL 會是問題。

GIL是什麼

Python的程式碼執行由python虛擬機器（也叫直譯器主迴圈，CPython版本）來控制，Python在設計之初就考慮到在直譯器的主迴圈中，同時只有一個執行緒在執行。即每個CPU在任意時刻只有一個執行緒在直譯器中執行。對python虛擬機器訪問的控制由全域性解釋鎖GIL控制，正是這個鎖來控制同一時刻只有一個執行緒能夠執行。——（在單核CPU下的多執行緒其實都只是併發，不是並行） 。

併發與並行區別：

併發：兩個或多個事件在同一時間間隔發生，或者說交替做不同事件的能力，或者說不同的程式碼塊交替執行。並行：兩個或者多個事件在同一時刻發生，或者說同時做不同事件的能力，或者說不同的程式碼塊同時執行。

併發和並行的意義：

併發和並行都可以處理“多工”，二者的主要區別在於是否是“同時進行”多個的任務。

但是涉及到任務分解（有先後依賴耦合度高的任務無法做到並行）、任務執行（可能要考慮互斥、鎖、共享等）、結果合併。

python 下的多執行緒

在Python多執行緒下，每個執行緒的執行方式：

獲取GIL切換到這個執行緒去執行執行程式碼把執行緒設定為睡眠狀態釋放GIL再次重複以上步驟

在Python2中，在直譯器解釋執行任何 Python 程式碼時，都需要先獲得這把鎖才行（同一時間只會有一個獲得了 GIL 的執行緒在跑，其它的執行緒都處於等待狀態等著 GIL 的釋放），在遇到 I/O 操作時會釋放這把鎖。如果是純計算的程式，沒有 I/O 操作，直譯器會每隔 100 次操作就釋放這把鎖，讓別的執行緒有機會執行（這個次數可以透過 sys.setcheckinterval 來調整）也正是這種設定，是的多執行緒的CPU密集型計算非常雞肋，下面會講到為何如此。

而在python3中，GIL不使用ticks計數(100次，釋放GIL)，改為使用計時器（執行時間達到15ms閾值後，當前執行緒釋放 GIL），使得執行計算的次數更多，釋放次數減少，這樣對CPU密集型程式更加友好，但依然沒有解決GIL導致的同一時間只能執行一個執行緒的問題，所以效率依然不盡如人意。

那麼是不是python的多執行緒是雞肋嘛？

CPU密集型(各種迴圈處理、計數等等)，在這種情況下，ticks計數很快就會達到閾值，然後觸發GIL的釋放與再競爭（多個執行緒來回切換是需要消耗資源的），所以python下的多執行緒對 CPU密集型程式碼並不友好，會觸發相當頻繁的執行緒切換。

IO密集型(檔案處理、網路爬蟲等)，多執行緒能夠有效提升效率(單執行緒下有IO操作會進行IO 等待，造成不必要的時間浪費，而開啟多執行緒能線上程A等待時，自動切換到執行緒B，可以不浪費 CPU的資源，從而能提升程式執行效率，一個執行緒獲得GIL傳送訊息，然後等待返回訊息（阻塞），Python此時釋放GIL, 其他執行緒得到GIL傳送訊息，然後同樣等待返回訊息（阻塞）......，這樣保證了IO傳輸過程時間的合理利用，減少了IO等待造成的資源浪費，提高IO傳輸效率)。所以python的多執行緒對IO密集型程式碼比較友好。

結論

I/O密集型使用多執行緒併發執行提高效率、計算密集型使用多程序（multiprocessing ）並行執行提高效率。通常程式既包含IO操作又包含計算操作,那麼這種情況下，在開始併發任務之前，可以先進行測試，測試多執行緒、多程序哪個效率高就是用哪種方式。

請注意：多核多執行緒比單核多執行緒更差，多核多程序下，CPU1釋放GIL後，其他CPU上的執行緒都會進行競爭，但GIL可能會馬上又被CPU1拿到，CPU2釋放GIL後……，導致其他幾個CPU上被喚醒後的執行緒會醒著等待到切換時間後又進入待排程狀態，這樣會造成執行緒顛簸(thrashing)，導致效率更低。

多執行緒下的CPU密集型計算也不是無藥可醫，可以利用ctypes繞過GIL，ctypes可以使py直接呼叫任意的C動態庫的匯出函式。所要做的只是把關鍵部分用 C/C++ 寫成 Python 擴充套件。而且，ctypes會在呼叫C函式前釋放GIL。

同時，可以瞭解下協程，又稱微執行緒。

協程最大的優勢就是協程極高的執行效率。因為子程式切換不是執行緒切換，而是由程式自身控制，因此，沒有執行緒切換的開銷，和多執行緒比，執行緒數量越多，協程的效能優勢就越明顯。

第二大優勢就是不需要多執行緒的鎖機制，因為只有一個執行緒，也不存在同時寫變數衝突，在協程中控制共享資源不加鎖，只需要判斷狀態就好了，所以執行效率比多執行緒高很多。

因為協程是一個執行緒執行，那怎麼利用多核CPU呢？最簡單的方法是多程序+協程，既充分利用多核，又充分發揮協程的高效率，可獲得極高的效能。

執行緒還是多執行緒，只是有把鎖，導致只有一個執行緒能執行，但是python會在多個執行緒之間做切換的，所以還是帶來一定的並行處理。如果是單核處理器的話，效能不會有太大變化。如果是多核的話，可以考慮起多個程序來解決。