GIL对线程效率的影响

通过死循环来测试python中线程的效率问题与GIL的关系

环境准备：
htop（用来查看cpu使用率）
VMware 11+ Ubuntu14.04

条件：
对ubuntu默认cpu使用率不计（大概3%）

1. 在单核虚拟机下执行单线程的死循环
   （主线程死循环）

while True:
    pass

cpu使用率：100%
2. 在单核虚拟机中，执行双线程的死循环
（主线程和子线程都执行死循环）

from threading import Thread
# 定义一个死循环方法
def loop():
    while True:
        pass
t = Thread(target=loop)
t.start()
while True:
    pass

cpu使用率：100%

3.在双核虚拟机中，执行双线程的死循环
（主线程和子线程都执行死循环）

from threading import Thread
# 定义一个死循环方法
def loop():
    while True:
        pass
t = Thread(target=loop)
t.start()
while True:
    pass

cpu1使用率：50%
cpu2使用率：50%
4.在双核的虚拟机中，执行双线程的死循环
（主进程和子进程都执行死循环）

from multiprocessing import Process
def loop():
    while True:
        pass

p = Process(target=loop)
p.start()
loop()

cpu1使用率：100%
cpu2使用率：100%

通过上面几种情况，可以发现：
1.单核情况下，GIL对线程的效率无影响
2.多核情况下，GIL对线程的效率影响效果明显
3.多核情况下，进程比线程对cpu使用更充分

为了在python中，解决多任务程序的效率问题，经过以上测试，得出结论：尽量使用多进程，但是，在进程中的通信是较为麻烦的。

被称之为“胶水语言”的python自然有更好的办法：使用c来重写线程所需要的功能。

至此，我们将死循环的代码用c来实现：
deadloop.c

void DeadLoop()
    {
        while(1)
        {
            ;
        } 
    }

将其转换为库文件：

gcc deadloop.c -shared -o libdeadloop.so

在python代码中引用它：

from threading import Thread
import ctypes

# 加载库
deadloop_lib = ctypes.cdll.LoadLibrary('./libdeadloop.so')

DeadLoop = deadloop_lib.DeadLoop
t = Thread(target=DeadLoop)
t.start()

DeadLoop()

可以发现:
cpu1的占用率:100%
cpu2的占用率:100%
在用c重写过循环之后，整个程序的效率提升。