深入理解GIL：如何寫出高性能及線程安全的Python代碼
6歲時，我有一個音樂盒。我上緊發條，音樂盒頂上的芭蕾舞女演員就會旋轉起來，同時，內部裝置發出“一閃一閃亮晶晶，滿天都是小星星”的叮鈴聲。那玩意兒肯定俗氣透了，但我喜歡那個音樂盒，我想知道它的工作原理是什么。后來我拆開了，才看到它里面一個簡單的裝置，機身內部鑲嵌著一個拇指大小的金屬圓筒，當它轉動時會撥弄鋼制的梳齒，從而發出這些音符。
在一個程序員具備的所有特性中，想探究事物運轉規律的這種好奇心必不可少。當我打開音樂盒，觀察內部裝置，可以看出即使我沒有成長為一個卓越的程序員，至少也是有好奇心的一個。
奇怪的是，我寫 Python 程序多年，一直對全局解釋器鎖(GIL)持有錯誤的觀念，因為我從未對它的運作機理產生足夠好奇。我遇到其他對此同樣猶豫和無知的人。是時候讓我們來打開這個盒子一窺究竟了。讓我們解讀 CPython 解釋器源碼，找出 GIL 究竟是什么，為什么它存在于 Python 中，它又是怎么影響多線程程序的。我將通過舉例幫助你深入理解 GIL 。你將會學到如何寫出快速運行和線程安全的 Python 代碼，以及如何在線程和進程中做選擇。
(我在本文中只描述 CPython，而不是 Jython、PyPy 或 IronPython。因為目前絕大多數程序員還是使用 CPython 實現 Python 。)
瞧，全局解釋器鎖(GIL)
這里：
- static PyThread_type_lock interpreter_lock = 0; /* This is the GIL */
這一行代碼摘自 ceval.c —— CPython 2.7 解釋器的源代碼，Guido van Rossum 的注釋”This is the GIL“ 添加于2003 年，但這個鎖本身可以追溯到1997年他的***個多線程 Python 解釋器。在 Unix系統中，PyThread_type_lock 是標準 C mutex_t 鎖的別名。當 Python 解釋器啟動時它初始化：
- void
- PyEval_InitThreads(void)
- {
- interpreter_lock = PyThread_allocate_lock();
- PyThread_acquire_lock(interpreter_lock);
- }
解釋器中的所有 C 代碼在執行 Python 時必須保持這個鎖。Guido 最初加這個鎖是因為它使用起來簡單。而且每次從 CPython 中去除 GIL 的嘗試會耗費單線程程序太多性能，盡管去除 GIL 會帶來多線程程序性能的提升，但仍是不值得的。(前者是Guido最為關切的, 也是不去除 GIL 最重要的原因, 一個簡單的嘗試是在1999年, 最終的結果是導致單線程的程序速度下降了幾乎2倍.)
GIL 對程序中線程的影響足夠簡單，你可以在手背上寫下這個原則：“一個線程運行 Python ，而其他 N 個睡眠或者等待 I/O.”(即保證同一時刻只有一個線程對共享資源進行存取) Python 線程也可以等待threading.Lock或者線程模塊中的其他同步對象;線程處于這種狀態也稱之為”睡眠“。
線程何時切換?一個線程無論何時開始睡眠或等待網絡 I/O，其他線程總有機會獲取 GIL 執行 Python 代碼。這是協同式多任務處理。CPython 也還有搶占式多任務處理。如果一個線程不間斷地在 Python 2 中運行 1000 字節碼指令，或者不間斷地在 Python 3 運行15 毫秒，那么它便會放棄 GIL，而其他線程可以運行。把這想象成舊日有多個線程但只有一個 CPU 時的時間片。我將具體討論這兩種多任務處理。
把 Python 看作是舊時的大型主機，多個任務共用一個CPU。
協同式多任務處理
當一項任務比如網絡 I/O啟動，而在長的或不確定的時間，沒有運行任何 Python 代碼的需要，一個線程便會讓出GIL，從而其他線程可以獲取 GIL 而運行 Python。這種禮貌行為稱為協同式多任務處理，它允許并發;多個線程同時等待不同事件。
也就是說兩個線程各自分別連接一個套接字：
- def do_connect():
- s = socket.socket()
- s.connect(('python.org', 80)) # drop the GIL
- for i in range(2):
- t = threading.Thread(target=do_connect)
- t.start()
兩個線程在同一時刻只能有一個執行 Python ，但一旦線程開始連接，它就會放棄 GIL ，這樣其他線程就可以運行。這意味著兩個線程可以并發等待套接字連接，這是一件好事。在同樣的時間內它們可以做更多的工作。
讓我們打開盒子，看看一個線程在連接建立時實際是如何放棄 GIL 的，在 socketmodule.c 中:
- /* s.connect((host, port)) method */
- static PyObject *
- sock_connect(PySocketSockObject *s, PyObject *addro)
- {
- sock_addr_t addrbuf;
- int addrlen;
- int res;
- /* convert (host, port) tuple to C address */
- getsockaddrarg(s, addro, SAS2SA(&addrbuf), &addrlen);
- Py_BEGIN_ALLOW_THREADS
- res = connect(s->sock_fd, addr, addrlen);
- Py_END_ALLOW_THREADS
- /* error handling and so on .... */
- }
線程正是在Py_BEGIN_ALLOW_THREADS 宏處放棄 GIL;它被簡單定義為：
- PyThread_release_lock(interpreter_lock);
當然 Py_END_ALLOW_THREADS 重新獲取鎖。一個線程可能會在這個位置堵塞，等待另一個線程釋放鎖;一旦這種情況發生，等待的線程會搶奪回鎖，并恢復執行你的Python代碼。簡而言之：當N個線程在網絡 I/O 堵塞，或等待重新獲取GIL，而一個線程運行Python。
下面來看一個使用協同式多任務處理快速抓取許多 URL 的完整例子。但在此之前，先對比下協同式多任務處理和其他形式的多任務處理。
搶占式多任務處理
Python線程可以主動釋放 GIL，也可以先發制人抓取 GIL 。
讓我們回顧下 Python 是如何運行的。你的程序分兩個階段運行。首先，Python文本被編譯成一個名為字節碼的簡單二進制格式。第二，Python解釋器的主回路，一個名叫 pyeval_evalframeex() 的函數，流暢地讀取字節碼，逐個執行其中的指令。
當解釋器通過字節碼時，它會定期放棄GIL，而不需要經過正在執行代碼的線程允許，這樣其他線程便能運行：
- for (;;) {
- if (--ticker < 0) {
- ticker = check_interval;
- /* Give another thread a chance */
- PyThread_release_lock(interpreter_lock);
- /* Other threads may run now */
- PyThread_acquire_lock(interpreter_lock, 1);
- }
- bytecode = *next_instr++;
- switch (bytecode) {
- /* execute the next instruction ... */
- }
- }
默認情況下，檢測間隔是1000 字節碼。所有線程都運行相同的代碼，并以相同的方式定期從他們的鎖中抽出。在 Python 3 GIL 的實施更加復雜，檢測間隔不是一個固定數目的字節碼，而是15 毫秒。然而，對于你的代碼，這些差異并不顯著。
Python中的線程安全
將多個線狀物編織在一起，需要技能。
如果一個線程可以隨時失去 GIL，你必須使讓代碼線程安全。 然而 Python 程序員對線程安全的看法大不同于 C 或者 Java 程序員，因為許多 Python 操作是原子的。
在列表中調用 sort()，就是原子操作的例子。線程不能在排序期間被打斷，其他線程從來看不到列表排序的部分，也不會在列表排序之前看到過期的數據。原子操作簡化了我們的生活，但也有意外。例如，+ = 似乎比 sort() 函數簡單，但+ =不是原子操作。你怎么知道哪些操作是原子的，哪些不是?
看看這個代碼：
- n = 0
- def foo():
- global n
- n += 1
我們可以看到這個函數用 Python 的標準 dis 模塊編譯的字節碼：
- >>> import dis
- >>> dis.dis(foo)
- LOAD_GLOBAL 0 (n)
- LOAD_CONST 1 (1)
- INPLACE_ADD
- STORE_GLOBAL 0 (n)
代碼的一行中， n += 1，被編譯成 4 個字節碼，進行 4 個基本操作：
- 將 n 值加載到堆棧上
- 將常數 1 加載到堆棧上
- 將堆棧頂部的兩個值相加
- 將總和存儲回 n
記住，一個線程每運行 1000 字節碼，就會被解釋器打斷奪走 GIL 。如果運氣不好，這(打斷)可能發生在線程加載 n 值到堆棧期間，以及把它存儲回 n 期間。很容易可以看到這個過程會如何導致更新丟失：
- threads = []
- for i in range(100):
- t = threading.Thread(target=foo)
- threads.append(t)
- for t in threads:
- t.start()
- for t in threads:
- t.join()
- print(n)
通常這個代碼輸出 100，因為 100 個線程每個都遞增 n 。但有時你會看到 99 或 98 ，如果一個線程的更新被另一個覆蓋。
所以，盡管有 GIL，你仍然需要加鎖來保護共享的可變狀態：
- n = 0
- lock = threading.Lock()
- def foo():
- global n
- with lock:
- n += 1
如果我們使用一個原子操作比如 sort() 函數會如何呢?：
- lst = [4, 1, 3, 2]
- def foo():
- lst.sort()
這個函數的字節碼顯示 sort() 函數不能被中斷，因為它是原子的：
- >>> dis.dis(foo)
- LOAD_GLOBAL 0 (lst)
- LOAD_ATTR 1 (sort)
- CALL_FUNCTION 0
一行被編譯成 3 個字節碼：
- 將 lst 值加載到堆棧上
- 將其排序方法加載到堆棧上
- 調用排序方法
即使這一行 lst.sort() 分幾個步驟，調用 sort 自身是單個字節碼，因此線程沒有機會在調用期間抓取 GIL 。我們可以總結為在 sort() 不需要加鎖。或者，為了避免擔心哪個操作是原子的，遵循一個簡單的原則：始終圍繞共享可變狀態的讀取和寫入加鎖。畢竟，在 Python 中獲取一個 threading.Lock 是廉價的。
盡管 GIL 不能免除我們加鎖的需要，但它確實意味著沒有加細粒度的鎖的需要(所謂細粒度是指程序員需要自行加、解鎖來保證線程安全，典型代表是 Java , 而 CPthon 中是粗粒度的鎖，即語言層面本身維護著一個全局的鎖機制,用來保證線程安全)。在線程自由的語言比如 Java，程序員努力在盡可能短的時間內加鎖存取共享數據，減輕線程爭奪，實現***并行。然而因為在 Python 中線程無法并行運行，細粒度鎖沒有任何優勢。只要沒有線程保持這個鎖，比如在睡眠，等待I/O, 或者一些其他失去 GIL 操作，你應該使用盡可能粗粒度的，簡單的鎖。其他線程無論如何無法并行運行。
并發可以完成更快
我敢打賭你真正為的是通過多線程來優化你的程序。通過同時等待許多網絡操作，你的任務將更快完成，那么多線程會起到幫助，即使在同一時間只有一個線程可以執行 Python 。這就是并發，線程在這種情況下工作良好。
線程中代碼運行更快
- import threading
- import requests
- urls = [...]
- def worker():
- while True:
- try:
- url = urls.pop()
- except IndexError:
- break # Done.
- requests.get(url)
- for _ in range(10):
- t = threading.Thread(target=worker)
- t.start()
正如我們所看到的，在 HTTP上面獲取一個URL中，這些線程在等待每個套接字操作時放棄 GIL，所以他們比一個線程更快完成工作。
Parallelism 并行
如果想只通過同時運行 Python 代碼，而使任務完成更快怎么辦?這種方式稱為并行，這種情況 GIL 是禁止的。你必須使用多個進程，這種情況比線程更復雜，需要更多的內存，但它可以更好利用多個 CPU。
這個例子 fork 出 10 個進程，比只有 1 個進程要完成更快，因為進程在多核中并行運行。但是 10 個線程與 1 個線程相比，并不會完成更快，因為在一個時間點只有 1 個線程可以執行 Python：
- import os
- import sys
- nums =[1 for _ in range(1000000)]
- chunk_size = len(nums) // 10
- readers = []
- while nums:
- chunk, nums = nums[:chunk_size], nums[chunk_size:]
- reader, writer = os.pipe()
- if os.fork():
- readers.append(reader) # Parent.
- else:
- subtotal = 0
- for i in chunk: # Intentionally slow code.
- subtotal += i
- print('subtotal %d' % subtotal)
- os.write(writer, str(subtotal).encode())
- sys.exit(0)
- # Parent.
- total = 0
- for reader in readers:
- subtotal = int(os.read(reader, 1000).decode())
- total += subtotal
- print("Total: %d" % total)
因為每個 fork 的進程有一個單獨的 GIL，這個程序可以把工作分派出去，并一次運行多個計算。
(Jython 和 IronPython 提供單進程的并行，但它們遠沒有充分實現 CPython 的兼容性。有軟件事務內存的 PyPy 有朝一日可以運行更快。如果你對此好奇，試試這些解釋器。)
結語
既然你已經打開了音樂盒，看到了它簡單的裝置，你明白所有你需要知道的如何寫出快速運行，線程安全的 Python 代碼。使用線程進行并發 I/O 操作，在進程中進行并行計算。這個原則足夠簡單，你甚至不需要把它寫在你的手上。
