在Python中使用多线程，如果你对GIL本身没有一定的了解；那么很有可能你只是写出了正确的多线程代码，而并没有达到多线程的目的，甚至截然相反的效果。下面介绍了Python中GIL的作用和局限性，并提供了避免GIL影响性能的几个建议。
GIL是CPython中特有的全局解释器锁（其它实现版本因为有自己线程调度机制，所以没有GIL机制）。本质上讲它就是Python进程中的一把超大锁。这把锁在解释器进程中是全局有效的，它主要锁定Python线程的CPU执行资源。
换句话说，在CPython解释器中当一个线程需要执行CPU进行计算之前，它需要先获得这把大锁；否则即使已经被操作系统调度出来，但仍然无法执行计算。所以CPython解释器中，线程的想要执行CPU指令需要2个条件：
- 被操作系统调度出来【操作系统允许它占用CPU】
- 获取到GIL【CPython解释器允许它执行指令】
非常不幸的是，我们并不总是能满足这2个条件。经常出现的情况是：已经满足条件1，却被条件2限制。而这就是GIL影响Python性能的主要原因【其它语言只需满足条件1即可】。
如果Python（这里默认指CPython）在单核CPU的机器上执行，它的多线程与单线程、以及其它语言的多线程在本质上并没有什么不一样。【所有线程都是轮流占用CPU执行指令】
而如果Python在多核CPU机器上执行的时候，性能则会非常槽糕。主要原因是在单核的时候，同时只有一个线程在执行CPU，所以这个线程总是能获取到GIL。而换到多核的时候，同时会有多个线程在不同的CPU核心上执行，此时不同线程之间就需要竞争GIL，而GIL只能同时被一个线程申请到，所以会导致其它线程处于闲置状态【即使它已经拥有了CPU资源】。所以Python在多核CPU上的多线程始终只有单线程在跑程序。
在早期的Python版本（3.2之前）中，GIL除了会让多线程在多核机器下表现槽糕外，它还会导致某些线程场景占用GIL，而其它线程却无法申请到。典型场景是：
- 在2个线程的情况下
- 一个是IO密集型线程
- 一个是计算密集型线程
那么最后的结果便是，一旦计算密集型线程获得了GIL，那么它在很长一段时间内都将占据GIL，甚至一直到该线程执行结束。因为计算密集型线程在释放GIL之后又会立即去申请GIL，并且通常在其它线程还没有调度完之前它就已经重新获取到了GIL。【因为GIL它没有锁通知机制，比如：Condition锁】
在Python3.4之后，由于对GIL有了较大的改进。在单核的情况下，对于单个线程长期占用GIL的情况有所好转；但是在多核的情况下，性能仍然还是没有多大的改善。
很多时候有些事情我们无法改变，但是生活给了我们智慧；所以为了客服困难，我们始终还是能找到解决办法的。虽然默认情况下GIL对Python多线程的多核的情况下有较大的性能影响，但是为了能在Python中利用多核来提高计算效率，还是有如下的方法可以实现的：
- 使用python3.4或更高版本（对GIL机制进行了优化）
- 使用多进程替换多线程（多进程之间没有GIL，但是进程本身的资源消耗较多）
- 使用C编写高性能模块（with nogil调出GIL限制）
- 指定cpu运行线程（使用affinity模块）
- 使用Jython、IronPython等无GIL解释器
- 全IO密集型任务时使用多线程
- 使用协程（高效的单线程模式，也称微线程；通常与多进程配合使用）
关于GIL的实现原理、改进内容、适用场景等知识点，可以查看这里。更多关于学习Python的文章请关注下方二维码。
