一、全局解释器锁 （GIL）
运行test.py的流程：
a、将python解释器的代码从硬盘读入内存
b、将test.py的代码从硬盘读入内存  （一个进程内装有两份代码---一份cpython解释器代码一份test.py代码）
c、将test.py中的代码像  字符串一样  读入python解释器中解析执行

 

1 、GIL:全局解释器锁 （CPython解释器的特性）
#本质就是一把互斥锁，相当于执行权限，每个进程内都会存在一把GIL

#同一进程的多个线程必须抢到GIL才能使用CPython解释器解释执行自己的代码，

#同一进程的多线程无法实现并行，但可以实现并发
In CPython, the global interpreter lock, or GIL, is a mutex that prevents multiple
native threads from executing Python bytecodes at once. This lock is necessary mainly
because CPython’s memory management （垃圾回收机制线程，由解释器定期执行，不是线程安全）is not thread-safe（如果没有gil 多线程拿到解释器 并行（现在计算机都是多cup），当x=10的线程中内存中产生一个10，还没来的及绑定x，就有可能被垃圾回收机制回收，为了保证数据安全加gil锁）.However, since the GIL exists, other features have grown to depend on the guarantees that it enforces.)
GIL本质就是一把加在解释器身上的互斥锁（执行权限）。同一个进程内的所有线程都需要先抢到GIL锁，才能执行解释器代码

 

2、GIL的优缺点：
优点：保证Cpython解释器内存管理的线程安全
缺点：（一个进程内的线程只能一个一个并发执行）在Cpython解释器中，同一个进程下开启的多线程，同一时刻只能有一个线程执行，也就说Cpython解释器的多线程无法实现并行无法利用多核优势

注意：
a、GIL不能并行，但有可能并发，不一定为串行。(因为串行是一个任务完完全全执行完毕后才进行下一个；而cpython中，一个线程在io时，被CPU释放时，会被强行取消GIL的使用权限)
b、多核（多CPU）的优势是提升运算效率
c、计算密集型--》使用多进程，用上多核，同时存在（cup数的进程）数并行

　　多进程：创建新进程(拷贝)，切换进程---》开销大（时间上，内存上）
d、IO密集型--》使用多线程 并发
　　多线程：创建新线程，切换线程----》开销小（时间上，内存上）

 

二、Cpython解释器并发效率验证
1、计算密集型应该使用多进程
from multiprocessing import Process
from threading import Thread

import time
# import os
# print(os.cpu_count())  #查看cpu个数

def task1():
    res=0
    for i in range(1,100000000):
        res+=i

def task2():
    res=0
    for i in range(1,100000000):
        res+=i

def task3():
    res=0
    for i in range(1,100000000):
        res+=i

def task4():
    res=0
    for i in range(1,100000000):
        res+=i

if __name__ == '__main__':
    # p1=Process(target=task1)
    # p2=Process(target=task2)
    # p3=Process(target=task3)
    # p4=Process(target=task4)

    p1=Thread(target=task1)
    p2=Thread(target=task2)
    p3=Thread(target=task3)
    p4=Thread(target=task4)
    start_time=time.time()
    p1.start()
    p2.start()
    p3.start()
    p4.start()
    p1.join()
    p2.join()
    p3.join()
    p4.join()
    stop_time=time.time()
    print(stop_time - start_time)

2、IO密集型应该使用多线程
from multiprocessing import Process
from threading import Thread

import time

def task1():
    time.sleep(3)

def task2():
    time.sleep(3)

def task3():
    time.sleep(3)

def task4():
    time.sleep(3)

if __name__ == '__main__':
    # p1=Process(target=task1)
    # p2=Process(target=task2)
    # p3=Process(target=task3)
    # p4=Process(target=task4)

    # p1=Thread(target=task1)
    # p2=Thread(target=task2)
    # p3=Thread(target=task3)
    # p4=Thread(target=task4)
    # start_time=time.time()
    # p1.start()
    # p2.start()
    # p3.start()
    # p4.start()
    # p1.join()
    # p2.join()
    # p3.join()
    # p4.join()
    # stop_time=time.time()
    # print(stop_time - start_time) #3.138049364089966

    p_l=[]
    start_time=time.time()

    for i in range(500):
        p=Thread(target=task1)
        p_l.append(p)
        p.start()

    for p in p_l:
        p.join()

print(time.time() - start_time)

三、线程互斥锁与GIL对比
cpython中
GIL能保护解释器级别代码（和垃圾回收机制有关）但保护不了其他共享数据（比如自己的代码）。所以在程序中对于需要保护的数据要自行加锁
gil只是保证一个进程内的所有线程都是并发（不是串行吗）执行，[一个线程在io时，被CPU释放时，会被强行取消GIL的使用权限]

主线程，线程1，线程2，垃圾回收线程》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》》

　　线程1抢到gil 当拿到cpu 解释执行代码：抢到互斥锁 睡 （切—剥夺cpu-强行释放gil锁）改数据  放开互斥锁
　　线程2抢到gil 当拿到cpu 解释执行代码：发现互斥锁还没释放等（切-剥夺cpu，强行释放gil）
　　线程3。。。
　　线程2。。。。
　　垃圾线程抢到gil，当拿到cpu 解释执行代码：回收引用计数为0的数据.....
　　线程1抢到gil，当拿到cpu 解释执行代码：改数据  放开互斥锁

　　。。。。。。。。。。。。。。

from threading import Thread,Lock
import time

mutex=Lock()
count=0

def task():
    global count
    mutex.acquire()
    temp=count
    time.sleep(0.1)
    count=temp+1
    mutex.release()

if __name__ == '__main__':
    t_l=[]
    for i in range(2):
        t=Thread(target=task)
        t_l.append(t)
        t.start()
    for t in t_l:
        t.join()

    print('主',count)