Python GIL全局解释器锁

GIL解释：

GIL：Global Interpreter Lock 全局解释器锁，设计目的是保证数据安全。

GIL 的功能是：在 CPython 解释器中执行的每一个 Python 线程，都会先锁住自己，以阻止别的线程执行。也就是说在解释器执行任何Python代码时，都需要先获取这把锁，意味着任何时候只可能有一个线程在执行代码，其他线程要想获得CPU去执行代码，就必须等到占有该锁的线程释放锁才有执行的可能。

当然Python中不会让一个线程一直独占解释器，它会轮流执行 Python 线程，即 Python 线程在交替执行，来模拟真正并行的线程（伪并行），但Python中每次释放GIL锁，线程进行锁竞争、切换线程，都会造成资源消耗，并且由于GIL锁存在，python里一个进程永远只能同时执行一个线程(拿到GIL的线程才能执行)，导致在多核CPU上，Python的多线程效率并不高。

如果所示，三个线程交替执行，借此模拟并行。但某一时刻，程序中只有一个线程在执行，其他线程在等待其释放锁。

GIL 的特点：

1. Python在多线程下，每个线程的执行方式为：

• 获取GIL
• 执行代码直到sleep或者是python虚拟机将其挂起。
• 释放GIL 

2. 一个CPU只能执行一个线程 ，例如一个CPU 有三个线程 ，首先线程A执行 ，然后
线程A达到释放条件进行释放GIL，线程B 和线程C 进行竞争GIL ，谁抢到GIL ，继续执行.

3. 一个进程里有多线程，但只有一个GIL 锁，不同的进程GIL 锁互不干扰，

4. 单个CPU多线程比多核多线程更快解释如下：

（单核内线程之间切换可以几乎达到无缝连接，但是在多核情况下一个线程 A释放GIL 锁,其他CPU上的线程都会进行竞争，但是有可能线程A 又抢到这个锁，导致其他几个CPU上被唤醒后的线程会醒着等待到切换时间后又进入待调度状态，
这样会造成线程颠簸(thrashing)，导致效率更低.

5. 多核CPU和C 语言相比，python的多线程效率并不高.解释如下：

• 释放GIL，和切换线程 需要消耗资源
• 一个进程只能运行一个线程 (拿到GIL的线程才能执行)，即使是多核CPU，也没办法让多个线程并行执行代码，只能是交替执行。

GIL释放

1. 当一个线程遇到 I/O 任务时，将释放GIL，避免输入I/O操作浪费时间。这个特性是优于其他语言的。
2. 计算密集型（CPU-bound）线程执行 100 次解释器的计步（ticks）时（计步可粗略看作 Python 虚拟机的指令），步数/时间到达阈值也会释放 GIL。但是效率依然不尽人意。

解决：

Python下想要充分利用多核CPU，采用多进程并发编程。这是因为多核下每个进程有各自独立的GIL，互不干扰，实现真正意义上的并行。

垃圾回收机制简述：

1. Python中垃圾回收引用了计数机制，对象每引用一次即在计数器中加一，当一个对象在计数器中的计数为0时，说明这个对象不再使用，自然它就变成了垃圾，需要被垃圾回收器回收。

2. 可能存在循环引用（只有容器类对象才有可能产生循环引用）的对象，但它们不再使用，Python中使用标记清除（mark-sweep）算法和分代收集（generational），来启动针对循环引用的自动垃圾回收。

标记算法：用图论来理解不可达的概念。对于一个有向图，如果从一个节点出发进行遍历，并标记其经过的所有节点；那么，在遍历结束后，所有没有被标记的节点，我们就称之为不可达节点。显而易见，这些节点的存在是没有任何意义的，自然的，我们就需要对它们进行垃圾回收。

分代收集算法：将 Python 中的所有对象分为三代。刚刚创立的对象是第 0 代；经过一次垃圾回收后，依然存在的对象，便会依次从上一代挪到下一代。而每一代启动自动垃圾回收的阈值，则是可以单独指定的。当垃圾回收器中新增对象减去删除对象达到相应的阈值时，就会对这一代对象启动垃圾回收。（新生的对象更有可能被垃圾回收，而存活更久的对象也有更高的概率继续存活）