目錄
Python的GIL（Global interpreterLock）
重點提前：
那python的多線程是不是不存在？ ：多線程是存在的。
那到底我們還能使用多線程不呢？ ：可以使用。
- I/O操作比較密集時,可以適當的 使用多線程，充分利用CPU的性能。因爲當執行 I/O 操作時，CPU會處於空閒的狀態，這是就可以切換到其他線程，更好的利用 CPU 工作。
Python的GIL（Global interpreter Lock）
- 全局解釋器鎖致使python 多線程任務不能利用多核的 元兇，
全局解釋器鎖GIL設計理念與限制
- GIL的設計簡化了CPython的實現，使得對象模型，包括關鍵的內建類型如字典，都是隱含可以併發訪問的。鎖住全局解釋器使得比較容易的實現對多線程的支持，但也損失了多處理器主機的並行計算能力。
- 同一進程中假如有多個線程運行，一個線程在運行python程序的時候會霸佔python解釋器（加了一把鎖即GIL），使該進程內的其他線程無法運行，等該線程運行完後其他線程才能運行。如果線程運行過程中遇到耗時操作，則解釋器鎖解開，使其他線程運行。所以在多線程中，線程的運行仍是有先後順序的，並不是同時進行。
- 在做I/O操作時，GIL總是會被釋放。對所有面向I/O 的(會調用內建的操作系統C 代碼的)程序來說，GIL 會在這個I/O 調用之前被釋放，以允許其它的線程在這個線程等待I/O 的時候運行。如果是純計算的程序，沒有 I/O 操作，解釋器會每隔 100 次操作就釋放這把鎖，讓別的線程有機會執行（這個次數可以通過 sys.setcheckinterval 來調整）如果某線程並未使用很多I/O 操作，它會在自己的時間片內一直佔用處理器（和GIL）。也就是說，I/O 密集型的Python 程序比計算密集型的程序更能充分利用多線程環境的好處。
計算密集型任務(CPU-bound) 的特點是要進行大量的計算，佔據着主要的任務，消耗CPU資源，一直處於滿負荷狀態。比如複雜的加減乘除、計算圓周率、對視頻進行高清解碼等等，全靠CPU的運算能力。這種計算密集型任務雖然也可以用多任務完成，但是任務越多，花在任務切換的時間就越多，CPU執行任務的效率就越低，所以，要最高效地利用CPU，計算密集型任務同時進行的數量應當等於CPU的核心數。
計算密集型任務由於主要消耗CPU資源，因此，代碼運行效率至關重要。Python這樣的腳本語言運行效率很低，完全不適合計算密集型任務。對於計算密集型任務，最好用C語言編寫。
IO密集型任務(I/O bound)的特點是指磁盤IO、網絡IO佔主要的任務，CPU消耗很少，任務的大部分時間都在等待IO操作完成（因爲IO的速度遠遠低於CPU和內存的速度）。
IO密集型任務執行期間，99%的時間都花在IO上，花在CPU上的時間很少，因此，用運行速度極快的C語言替換用Python這樣運行速度極低的腳本語言，完全無法提升運行效率。
對於IO密集型任務，任務越多，CPU效率越高，但也有一個限度。常見的大部分任務都是IO密集型任務，比如請求網頁、讀寫文件等。
對於IO密集型任務，最合適的語言就是開發效率最高（代碼量最少）的語言，腳本語言是首選，C語言最差。
GIL運行流程：
在多線程環境中，Python 虛擬機按以下方式執行：
- 1. 設置GIL
- 2. 切換到一個線程去運行
- 3. 運行：
- a. 指定數量的字節碼指令，或者
- b. 線程主動讓出控制（可以調用time.sleep(0)）
- 4. 把線程設置爲睡眠狀態
- 5. 解鎖GIL
- 6. 再次重複以上所有步驟
。
GIL解決方法
- 使用多線程，多進程中因爲每個進程都能被系統分配資源，相當於每個進程有了一個python解釋器，所以多進程可以實現多個進程的同時運行，缺點是進程系統資源開銷大
自己結合網上的資料，和自己所學總結，如有不對，望請指教。