GIL
即全局解释器锁，是一个互斥锁，防止多个线程在同一时间执行python代码，因为在一个python进程中，不仅有主线程而且还有该主线程开启的子线程，还有解释器开启的垃圾回收机等解释器级别的线程。因为所有的代码都是共享的，所以垃圾回收线程也可能同时访问到解释器的代码去执行，所以解决这一问题的方法就是GIL，以保证python解释器同一时间只能执行同一个任务的代码。
GIL带来的问题
执行一个py文件，分为三个步骤：
- 从硬盘加载python解释器到内存
- 从硬盘加载py文件到内存
- 解释器解析py文件内容，交给CPU执行
需要明确的是每当执行一个py文件，就会立即启动一个python解释器
GIL是CPython解释器独有的，它将线程的并行变为串行，导致效率降低。
GIL对于性能的影响
- 单核下无论IO密集型还是计算密集型GIL都不会产生任何影响
- 多核下对于IO密集型任务，GIL会有细微影响，基本可以忽略
- CPython中IO密集型任务应该采用多线程，计算密集型应该采用多进程
另外：之所以广泛采用CPython解释器，就是因为大量的应用程序都是IO密集型的，还有另一个很重要的原因是CPython可以无缝对接各种C语言实现的库，这对于一些数学计算相关的应用程序而言非常的happy，直接就能使用各种现成的算法
自定义的线程锁和GIL的区别
GIL保护的是解释器级别的数据安全，比如对象的引用计数，垃圾回收机制等
对于程序中自己定义的数据则没有任何保护效果
from threading import Thread,Lock
import time
a = 0
def task():
global a
temp = a
time.sleep(0.01)
a = temp + 1
t1 = Thread(target=task)
t2 = Thread(target=task)
t1.start()
t2.start()
t1.join()
t2.join()
print(a)
#1过程分析：
1.线程1获得CPU执行权，并获取GIL锁执行代码 ，得到a的值为0后进入睡眠，释放CPU并释放GIL
2.线程2获得CPU执行权，并获取GIL锁执行代码 ，得到a的值为0后进入睡眠，释放CPU并释放GIL
3.线程1睡醒后获得CPU执行权，并获取GIL执行代码 ，将temp的值0+1后赋给a，执行完毕释放CPU并释放GIL
4.线程2睡醒后获得CPU执行权，并获取GIL执行代码 ，将temp的值0+1后赋给a，执行完毕释放CPU并释放GIL，最后a的值也就是1
之所以出现问题是因为两个线程在并发的执行同一段代码，解决方案就是加锁！
from threading import Thread,Lock
import time
lock = Lock()
a = 0
def task():
global a
lock.acquire()
temp = a
time.sleep(0.01)
a = temp + 1
lock.release()
t1 = Thread(target=task)
t2 = Thread(target=task)
t1.start()
t2.start()
t1.join()
t2.join()
print(a)
#2过程分析：
1.线程1获得CPU执行权，并获取GIL锁执行代码 ，得到a的值为0后进入睡眠，释放CPU并释放GIL，不释放lock
2.线程2获得CPU执行权，并获取GIL锁,尝试获取lock失败，无法执行，释放CPU并释放GIL
3.线程1睡醒后获得CPU执行权，并获取GIL继续执行代码 ，将temp的值0+1后赋给a，执行完毕释放CPU释放GIL，释放lock，此时a的值为1
4.线程2获得CPU执行权，获取GIL锁,尝试获取lock成功，执行代码，得到a的值为1后进入睡眠，释放CPU并释放GIL，不释放lock
5.线程2睡醒后获得CPU执行权，获取GIL继续执行代码 ，将temp的值1+1后赋给a，执行完毕释放CPU释放GIL，释放lock，此时a的值为2
即