pyrhon影片教學欄位介紹多執行緒是否真的比單一執行緒快。

多執行緒比單線線快，是真的嗎？

事實上，Python 多執行緒另一個很重要的話題叫，GIL（Global Interpreter Lock，即全域解釋器鎖定）。

多執行緒不一定比單執行緒快

在Python中，可以透過多行程、多執行緒和多協程來實現多任務。難道多執行緒一定比單線線快？

下面我用一段程式碼證明我自己得觀點。

'''
@Author： Runsen
@微信公众号： Python之王
@博客： https://blog.csdn.net/weixin_44510615
@Date： 2020/6/4
'''import threading, timedef my_counter():
    i = 0
    for _ in range(100000000):
        i = i+1
    return Truedef main1():
    start_time = time.time()    for tid in range(2):
        t = threading.Thread(target=my_counter)
        t.start()
        t.join()  # 第一次循环的时候join方法引起主线程阻塞，但第二个线程并没有启动，所以两个线程是顺序执行的

    print("单线程顺序执行total_time: {}".format(time.time() - start_time))def main2():
    thread_ary = {}
    start_time = time.time()    for tid in range(2):
        t = threading.Thread(target=my_counter)
        t.start()
        thread_ary[tid] = t    for i in range(2):
        thread_ary[i].join()  # 两个线程均已启动，所以两个线程是并发的

    print("多线程执行total_time: {}".format(time.time() - start_time))if __name__ == "__main__":
    main1()
    main2()复制代码

登入後複製

運行結果

单线程顺序执行total_time: 17.754502773284912多线程执行total_time: 20.01178550720215复制代码

登入後複製

我怕你說我亂得出來得結果，我還是截張圖看清楚點

##這時，我懷疑：我的機器出問題了嗎？其實不是這樣，本質上來說Python 的執行緒失效了，沒有起到平行計算的作用。

Python 的線程，的確封裝了底層的作業系統線程，在Linux 系統裡是

Pthread（全稱為POSIX Thread），而在Windows 系統裡是Windows Thread。另外，Python 的線程，也完全受作業系統管理，例如協調何時執行、管理記憶體資源、管理中斷等等。

GIL不是Python的特性

GIL 的概念用簡單的一句話來解釋，就是

任一時刻，無論線程多少，單一CPython 解釋器只能執行一條位元組碼。這個定義需要注意的點：

首先需要明確的一點是

GIL並不是Python的特性，它是在實作Python解析器(CPython)時所引入的概念。

C 是一套語言（語法）標準，但可以用不同的編譯器來編譯成執行程式碼。有名的編譯器例如GCC，INTEL C ，Visual C 等。

Python也是一樣，同樣一段程式碼可以透過CPython，PyPy，Psyco等不同的Python執行環境來執行。

其他 Python 解釋器不一定有 GIL。例如 Jython (JVM) 和 IronPython (CLR) 沒有 GIL，而 CPython，PyPy 有 GIL；

因為CPython是大部分環境下預設的Python執行環境。所以在很多人的概念裡CPython就是Python，也就想當然的把GIL歸結為Python語言的缺陷。所以這裡要先明確一點：

GIL並不是Python的特性，Python完全可以不依賴GIL

GIL本質就是一把互斥鎖

##GIL本質就是一把互斥鎖，既然是互斥鎖，所有互斥鎖的本質都一樣，都是將並發運行變成串行，以此來控制同一時間內共享資料只能被一個任務所修改，進而保證資料安全。

可以肯定的一點是：保護不同的資料的安全，就應該加上不同的鎖。

GIL 的工作原理：例如下面這張圖，就是一個 GIL 在 Python 程式的工作範例。其中，Thread 1、2、3 輪流執行，每一個執行緒在開始執行時，都會鎖住GIL，以阻止別的執行緒執行；同樣的，每一個執行緒執行完一段後，會釋放GIL，以允許別的線程開始利用資源。

計算密集型

計算密集型任務的特性是要進行大量的運算，消耗CPU資源。

我們先來看一個簡單的計算密集型範例：

'''
@Author： Runsen
@微信公众号： Python之王
@博客： https://blog.csdn.net/weixin_44510615
@Date： 2020/6/4
'''import time
COUNT = 50_000_000def count_down():
   global COUNT   while COUNT > 0:
       COUNT -= 1s = time.perf_counter()
count_down()
c = time.perf_counter() - s
print('time taken in seconds - >:', c)

time taken in seconds - >: 9.2957003复制代码

登入後複製

這個是單線程，時間是9s，下面我們用兩個線程看看結果又如何：

'''
@Author： Runsen
@微信公众号： Python之王
@博客： https://blog.csdn.net/weixin_44510615
@Date： 2020/6/4
'''import timefrom threading import Thread

COUNT = 50_000_000def count_down():
   global COUNT   while COUNT > 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() - s
print('time taken in seconds - >:', c)

time taken in seconds - >: 17.110625复制代码

登入後複製

我們程式主要的操作就是在計算， CPU沒有等待，而改為多執行緒後，增加了執行緒後，在執行緒之間頻繁的切換，增大了時間開銷，時間當然會增加了。

還有一種類型是IO密集型，涉及到網路、磁碟IO的任務都是IO密集型任務，這類任務的特點是CPU消耗很少，任務的大部分時間都在等待IO操作完成（因為IO的速度遠低於CPU和記憶體的速度）。對於IO密集型任務，任務越多，CPU效率越高，但也有一個限度。常見的任務大多是IO密集型任務，例如Web應用。

總結：對於io密集型工作（Python爬蟲），多執行緒可以大幅提高程式碼效率。對CPU運算密集（Python資料分析，機器學習，深度學習），多執行緒的效率可能比單執行緒還略低。所以，資料領域沒有多執行緒提高效率之說，只有將CPU提升到GPU，TPU來提升運算能力。

相關免費學習推薦：