GIL锁 *******
全名是（Global Interpreter Lock 全局解释器锁）
官方解释：
In CPython, the global interpreter lock, or GIL, is a mutex that prevents multiple
native threads from eecuting Python bytecodes at once. This lock is necessary mainly
because CPython’s memory management is not thread-safe. (However, since the GIL
exists, other features have grown to depend on the guarantees that it enforces.)
释义：
在CPython中，这个全局解释器锁，也称之为GIL，是一个互斥锁，防止多个线程。在同一时间执行
python字节码，这个锁是非常重要的，因为CPython的内存管理是非线程安全的，很多其他的特性依赖于GIL锁，所以即使它影响了程序效率也无法将其直接去除。
总结：
在CPython中，GIL会把线程的并行编程串行，导致效率降低。
但需要知道的是，解释器并不只有CPython，还有PyPy，JPython等等。GIL也仅存在与CPython中
这并不是Python这门语言的问题，而是CPython这个解释器的问题。
非线程安全： 即多个线程访问同一个资源，会有问题
线程安全：即多个线程访问同一个资源，不会有问题
CPython中有一个互斥锁，防止线程同一时间执行python代码
该锁只存在Cpython中。
之所以用CPython的原因：1.C编译过的结果可以让计算机直接识别
2.C语言中大量现成的库（算法），CPython可以无缝链接c语言的任何现成代码。
python是胶水语言，就是这也能干，那也能干。
内存管理：
垃圾回收机制
python中不需要手动管理内存，它有个回收垃圾线程GC，也是python自带的内存管理机制。
GIL与GC的孽缘：
要先搞清楚这个问题，需先了解GC的工作原理，python中内存管理使用的是引用计数，每个数会被加上一个整型的计数器，表示这个数据被引用的次数，当这个整数变为0时则表示这个数据已经没有人使用，成了垃圾数据。
当内存占用达到某个阈值时，GC会将其他线程挂起，然后执行垃圾清理操作，垃圾清理也是一串代码，也就需要一条线程来执行。
示例：
from threading import Thread
def task():
a = 10
print(a)
# 开启三个子线程执行task函数
Thread(target=task).start()
Thread(target=task).start()
Thread(target=task).start()
通过上图可以看出，GC与其他线程都在竞争解释器的执行权，而CPU何时切换，以及
切换到哪个线程都是无法预知的，这样一来就造成了竞争问题，假设线程1正在定义变量a = 10，而定义变量第一步会先到内存中申请空间把10存进去，第二步将10的内存地址与变量名a进行绑定，如果在执行完第一步后，cpu切换到了GC线程，GC线程发现10的地址引用计数为0则将其当成垃圾进行了清理，等cpu再次切换到线程1时，刚刚保存的数据10已经被清理掉了，导致无法正常定义。
当然其他一些涉及到内存的操作同样可能产生问题，为了避免GC与其他线程竞争解释器带来的问题，CPython简单粗暴的给解释器加了互斥锁。
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锁的加锁和解锁时机：
加锁的时机：在调用解释器时立即加锁
解锁时机：1.当前线程遇到了IO时释放。2.当前线程执行时间超过设定值时释放。
关于GIL的性能讨论：
GIL的优点：
保证了CPython中的内存管理是线程安全的
GIL的缺点：
互斥锁的特性使得多线程无法并行
但我们并不能因此就否认Python这门语言，其原因如下:
-
GIL仅仅在CPython解释器中存在，在其他的解释器中没有，并不是Python这门语言的缺点
-
在单核处理器下，多线程之间本来就无法真正的并行执行
-
在多核处理下，运算效率的确是比单核处理器高，但是要知道现代应用程序多数都是基于网络的(qq,微信,爬虫,浏览器等等)，CPU的运行效率是无法决定网络速度的，而网络的速度是远远比不上处理器的运算速度，则意味着每次处理器在执行运算前都需要等待网络IO，这样一来多核优势也就没有那么明显了
举个例子：
任务1 从网络上下载一个网页，等待网络IO的时间为1分钟，解析网页数据花费，1秒钟
任务2 将用户输入数据并将其转换为大写，等待用户输入时间为1分钟，转换为大写花费，1秒钟
单核CPU下：1.开启第一个任务后进入等待。2.切换到第二个任务也进入了等待。一分钟后解析网页数据花费1秒解析完成切换到第二个任务，转换为大写花费1秒，那么总耗时为：1分+1秒+1秒 = 1分钟2秒
多核CPU下：1.CPU1处理第一个任务等待1分钟，解析花费1秒钟。1.CPU2处理第二个任务等待1分钟，转换大写花费1秒钟。由于两个任务是并行执行的所以总的执行时间为1分钟+1秒钟 = 1分钟1秒
可以发现，多核CPU对于总的执行时间提升只有1秒，但是这边的1秒实际上是夸张了，转换大写操作不可能需要1秒，时间非常短！
上面的两个任务都是需要大量IO时间的，这样的任务称之为IO密集型，与之对应的是计算密集型即IO操作较少大部分都是计算任务。
对于计算密集型任务，Python多线程的确比不上其他语言！为了解决这个弊端，Python推出了多进程技术，可以良好的利用多核处理器来完成计算密集任务。
总结：
1.单核下无论是IO密集还是计算密集GIL都不会产生任何影响
2.多核下对于IO密集任务，GIL会有细微的影响，基本可以忽略
3.Cpython中IO密集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
自定义的线程锁与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，垃圾分代数据等等，具体参考垃圾回收机制详解。
对于程序中自己定义的数据则没有任何的保护效果，这一点在没有介绍GIL前我们就已经知道了，
所以当程序中出现了共享自定义的数据时就要自己加锁
进程池与线程池:
池表示一个容器，本质上就是一个存储进程或线程的列表
池中存储线程还是存储进程？
如果是IO密集型就存储线程，计算密集型就存储进程
为什么需要进程/线程池？
在很多情况下需要控制进程或线程的数量在一个合理的范围，例如TCP程序中，一个客户端对应
一个线程，虽然线程的开销小，但肯定不能无限的开，否则系统资源迟早被耗尽，解决的办法就是控制线程的数量。
线程/进程池不仅帮我们控制线程/进程的数量，还帮我们完成了线程/进程的创建，销毁，以及任务的分配。
同步异步-阻塞非阻塞：
阻塞与非阻塞说的是程序的运行的状态
并发与并行说的是程序处理的方式
同步与异步说的是任务的提交或执行方式
同步：发起任务后，进入等待状态，必须等到任务执行完成后才能继续执行
异步：发起任务后，不需要等待，可以执行其他的操作。
同步会有等待的效果但是这和阻塞是完全不同的，阻塞时程序会被剥夺cpu执行权，而同步调用则不会！
异步回调：
什么是异步回调：
异步回调指的是：在发起一个异步任务的同时指定一个函数，在异步任务完成时会自动的调用这个函数。
为什么需要异步回调？：
之前在使用线程池或进程池提交任务时，如果想要处理任务的执行结果则必须调用result函数或是shutdown函数，而它们都是阻塞的，会等到任务执行完毕后才能继续执行，这样一来在这个等待过程中就无法执行其他任务，降低了效率，所以需要一种方案，即保证解析结果的线程不用等待，又能保证数据能够及时被解析，该方案就是异步回调