今日总结：

GIL 锁：   全局解释器锁
    线程的安全问题：就是几个线程同一时间去抢占资源问题，这样就会导致数据错乱
    GIL锁只存在在cpython中，内置的自带锁，每个线程都自带

造成的影响
    # 首先必须明确执行一个py文件，分为三个步骤
    1，从硬盘加载python解释器到内存
    2，从硬盘加载py文件到内存
    3，解释器解析py文件内容，交给cpu执行
    其次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，
    py文件中的内容本质是字符串，只有在被解释器解释时，才具备语法意义，解释器会将当前代代码解释给系统能识别的执行的代码
    开启子线程时，给子线程指定了一个target表示该子线程要处理的任务即要执行的代码。代码要执行则必须交由解释器，
    即多个线程之间就需要共享解释器，为了避免共享带来的数据竞争问题，于是就给解释器加上了互斥锁
    由于互斥锁的特性，程序串行，保证数据安全，降低执行效率吗，GIL将使得程序效率降低
为什么需要GIL
     在使用Python中进行编程时，程序员无需参与内存的管理工作，这是因为Python有自带的内存管理机制，简称GC
     有了GIL后，多个线程将不可能在同一时间使用解释器，从而保证了解释器的数据安全。
GIL的加锁与解锁时机：
     当前线程调用解释器时立即进行加锁
     解锁： 当前线程遇到IO操作时解锁
            当前线程执行时间超出设置的时间时释放

GIL 的优点：
      保证了CPython中的内存管理是线程安全的
    的缺点：
       互斥锁的特性使得多线程无法运行
总结：
     Cpython中IO密集任务应该采用多线程，计算密集型因该采用多进程
     在io 密集型多用于多线程 速度快     计算密集型多采用进程，速度快

GIL 保护的是解释器级别的数据安全你，比如对象的应用技术，垃圾分代数据等等
对于程序中自己定义的数据则没有任何的保护，所以当程序中出现了共享自定义数据是就需要自己加锁

进程池和线程池
        池  表示一个容器 ，本质上就是一个存储进程或线程的列表
    池子中存储的如果是IO密集型任务使用线程池
    如果是计算密集任务则用进程池

from concurrent.futures import ProcessPoolExecutor
import time, os

# 创建进程池，指定最大进程数为3，此时不会创建进程，不指定数量时，默认为cpu的 -数

pool = ProcessPoolExecutor(3)


def task():
    time.sleep(1)
    print(os.getpid(), "working")


if __name__ == '__main__':
    for i in range(10):
        pool.submit(task)  # 提交任务时立即创建进程

    # 任务执行完成后也不会立即销毁进程
    time.sleep(2)
    for i in range(10):
        pool.submit(task)  # 再有新任务时，直接使用之前已经创建好的进程来执行

# 线程池的使用
from concurrent.futures import ThreadPoolExecutor,ProcessPoolExecutor

from threading import current_thread, active_count
import time,os
# 创建线程池，指定最大线程数为3 ，此时不会创建线程，不指定数量时，默认为CPU 核数*5
pool= ThreadPoolExecutor(3)
print(active_count())    #只有一个主线程
def task():
    time.sleep(1)
    print(current_thread().name,"working")
if __name__ == '__main__':
    for i in range(10):
        pool.submit(task)    #第一次提交任务时立即创建线程
        time.sleep(2)
        for i in range(10):
            pool.submit(task)   #再有新任务时直接使用之前已经创建好的线程来执行
待续：同步异步