其实Python多线程还有一个很重要的话题叫做GIL（GlobalInterpreterLock，即全局解释器锁）。多线程不一定比单线程快在Python中，可以通过多处理、多线程和多协程来实现多任务。多线程一定比单线程快吗？下面我用一段代码来证明我自己的观点。'''@作者：Runsen@微信公众号：Python之王@blog：https://blog.csdn.net/weixin_44510615@Date：2020/6/4'''importthreading,timedefmy_counter():i=0for_inrange(100000000):i=i+1returnTruedefmain1():start_time=time.time()fortidinrange(2):t=threading.Thread(target=my_counter)t.start()t.join()#第一次循环时join方法导致主线程阻塞，但是第二个线程没有启动，所以两个线程依次执行print("单线程顺序执行total_time:{}".format(time.time()-start_time))defmain2():thread_ary={}start_time=time.time()fortidinrange(2):t=threading.Thread(target=my_counter)t.start()thread_ary[tid]=tforiinrange(2):thread_ary[i].join()#两个线程都启动了，所以两个线程是并发的()运行结果单线程顺序执行total_time：17.754502773284912多线程执行total_time：20.01178550720215怕你说我搞砸了，还是截图看清楚这时候我怀疑：是不是我机器有问题？其实不是这样的。本质上Python线程是无效的，起不到并行计算的作用。Python线程确实封装了底层的操作系统线程，在Linux系统中是Pthread（全称POSIXThread），在Windows系统中是WindowsThread。另外，Python线程也完全由操作系统来管理，比如协调何时执行、管理内存资源、管理中断等等。GIL不是Python的特性。GIL的概念可以用一句话来解释，就是“在任何时候，无论有多少个线程，一个CPython解释器都只能执行一个字节码”。这个定义需要注意的地方：首先需要明确的是“GIL不是Python的特性”，它是在实现Python解析器（CPython）时引入的一个概念。C++是一套语言（语法）标准，但可以用不同的编译器编译成可执行代码。知名编译器如GCC、INTELC++、VisualC++等。Python也是如此。同一段代码可以通过CPython、PyPy、Psyco等不同的Python执行环境执行。“其他Python解释器不一定有GIL”。例如Jython（JVM）和IronPython（CLR）没有GIL，而CPython和PyPy有GIL；因为CPython是大多数环境中默认的Python执行环境。因此，在很多人的观念里，CPython就是Python，理所当然地把GIL归咎于Python语言的缺陷。所以这里要明确一点：“GIL不是Python的特性，Python可以完全独立于GIL。”GIL本质上是一个互斥锁。GIL本质上是一个互斥锁。既然是互斥锁，所有的互斥锁本质都是一样的，都是把并发操作变成串行操作，从而控制共享数据只能被一个任务同时修改，保证数据安全.有一点是可以肯定的：为了保护不同数据的安全，应该加不同的锁。GIL的工作原理：例如下图是GIL在Python程序中工作的例子。其中线程1、2、3依次执行。当每个线程开始执行时，它会锁定GIL以防止其他线程执行；同样，每个线程执行一段时间后，都会释放GIL让其他线程执行。线程开始使用资源。计算密集型计算密集型任务的特点是计算量大，消耗CPU资源。先看一个简单的计算密集型例子：'''@作者：润森@微信公众号：Python之王@blog：https://blog.csdn.net/weixin_44510615@Date:2020/6/4'''importtimeCOUNT=50_000_000defcount_down():globalCOUNTwhileCOUNT>0:COUNT-=1s=time.perf_counter()count_down()c=time.perf_counter()-sprint('timetakeninseconds->:',c)timetakeninseconds->:9.2957003这个是单线程，时间是9s，我们用两个线程看看结果：'''@作者：Runsen@微信公众号：Python之王@blog：https://blog.csdn.net/weixin_44510615@日期：2020/6/4'''importtimefromthreadingimportThreadCOUNT=50_000_000defcount_down():globalCOUNTwhileCOUNT>0:COUNT-=1s=time.perf_counter()t1=Thread(target=count_down)t2=Thread(target=count_down)t1.start()t2.start()t1.join()t2.join()c=time.perf_counter()-sprint('timetakeninseconds->:',c)timetakeninseconds->:17.110625我们程序的主要操作是计算，CPU不等待，但改成多线程后，加入线程后，频繁切换threads增加了时间开销，Time当然会增加。另一种是IO密集型。涉及网络和磁盘IO的任务都是IO密集型任务。这类任务的特点是CPU消耗低，任务大部分时间都在等待IO操作完成（因为IO的速度远低于CPU和内存的速度）。对于IO密集型任务，任务越多，CPU效率越高，但有一个限度。最常见的任务是IO密集型任务，例如Web应用程序。》总结：对于io密集型工作（Python爬虫），多线程可以大大提高代码效率。对于CPU密集型任务（Python数据分析、机器学习、深度学习），多线程的效率可能略低于单线程。因此，在数据领域，没有多线程来提高效率，只有CPUtoGPU和TPU来提高计算能力。”
