Python 长期以来以其易用性和多功能性而闻名，但在 Python 社区中引发大量讨论的一个话题是全局解释器锁 (GIL)。 GIL 既是 Python 并发模型的保障，也是瓶颈，尤其是对于 CPU 密集型任务，否则这些任务可以利用多个 CPU 核心。然而，随着 Python 3.13 的发布，Python 开发人员有了一个突破性的新选项：禁用 GIL 的能力。本博客将探讨 GIL 是什么、为什么它成为多线程性能的障碍，以及如何在 Python 3.13 中检测和禁用 GIL 以释放真正的多线程性能。
全局解释器锁 (GIL) 是一个互斥锁，用于保护对 Python 对象的访问，防止多个本机线程同时执行 Python 字节码。这保证了Python程序的线程安全，但代价是并发执行。 GIL 使 Python 线程对于 I/O 密集型任务更加高效，但限制了它们对于 CPU 密集型任务的性能。
Python 的 GIL 只允许一个线程同时执行，即使在多线程程序中也是如此。虽然这对于程序等待输入/输出操作的 I/O 密集型任务来说很好，但它严重限制了 CPU 密集型任务（如数字运算、数据分析或图像处理）的性能。
使用 Python 3.13，开发人员可以选择在 Python 构建过程中禁用 GIL。但是，在预构建的 Python 发行版中无法禁用 GIL。相反，您必须使用 --disable-gil 选项从源代码编译 Python 3.13。
这个新选项为 CPU 密集型多线程任务中的真正并行性打开了大门，允许线程跨多个内核并行执行。
要使用 -X gil=0 标志禁用 GIL，您需要在启用 --disable-gil 标志的情况下从源代码编译 Python。具体方法如下
wget https://www.python.org/ftp/python/3.13.0/Python-3.13.0.tgz
tar -xf Python-3.13.0.tgz cd Python-3.13.0
./configure --disable-gil
make sudo make altinstall
./configure --disable-gil --prefix=$HOME/python3.13
make altinstall
在Python 3.13中，您可以使用sys._is_gil_enabled()函数检查GIL是否启用或禁用。
import sys
def check_gil_status():
if sys.version_info >= (3, 13):
status = sys._is_gil_enabled()
if status:
print("GIL is currently enabled.")
else:
print("GIL is currently disabled.")
else:
print("Python version does not support GIL status detection.")
check_gil_status()
开发以下 Python 代码是为了评估在 Python 3.13 中禁用 GIL 时的性能增益。该脚本同时执行八个线程，每个线程的任务是计算大数的素因数。通过利用真正的并行性，代码突出了无需 GIL 即可实现的增强性能。
#!/usr/bin/env python3
import sys
import sysconfig
import time
from threading import Thread
from multiprocessing import Process
# Decorator to measure execution time of functions
def calculate_execution_time(func):
def wrapper(*args, **kwargs):
start_time = time.perf_counter()
result = func(*args, **kwargs)
end_time = time.perf_counter()
execution_time = end_time - start_time
print(f"{func.__name__} took {execution_time:.4f} seconds.")
return result
return wrapper
# Compute-intensive task: Iterative Fibonacci calculation
def compute_fibonacci(n):
"""Compute Fibonacci number for a given n iteratively."""
a, b = 0, 1
for _ in range(n):
a, b = b, a + b
return a
# Single-threaded task execution
@calculate_execution_time
def run_single_threaded(nums):
for num in nums:
compute_fibonacci(num)
# Multi-threaded task execution
@calculate_execution_time
def run_multi_threaded(nums):
threads = [Thread(target=compute_fibonacci, args=(num,)) for num in nums]
for thread in threads:
thread.start()
for thread in threads:
thread.join()
# Multi-processing task execution
@calculate_execution_time
def run_multi_processing(nums):
processes = [Process(target=compute_fibonacci, args=(num,)) for num in nums]
for process in processes:
process.start()
for process in processes:
process.join()
# Main execution function
def main():
# Check Python version and GIL status for Python 3.13+
print(f"Python Version: {sys.version}")
py_version = float(".".join(sys.version.split()[0].split(".")[:2]))
status = sysconfig.get_config_var("Py_GIL_DISABLED")
if py_version >= 3.13:
status = sys._is_gil_enabled()
if status is None:
print("GIL cannot be disabled for Python <= 3.12")
elif status == 0:
print("GIL is currently disabled")
elif status == 1:
print("GIL is currently active")
# Run tasks on the same input size for comparison
nums = [300000] * 8
print("\nRunning Single-Threaded Task:")
run_single_threaded(nums)
print("\nRunning Multi-Threaded Task:")
run_multi_threaded(nums)
print("\nRunning Multi-Processing Task:")
run_multi_processing(nums)
if __name__ == "__main__":
main()
## Python 3.13 with GIL Disabled Python Version: 3.13.0 experimental free-threading build (main, Oct 14 2024, 17:09:28) [Clang 14.0.0 (clang-1400.0.29.202)] GIL is currently disabled Running Single-Threaded Task: run_single_threaded took 8.6587 seconds. Running Multi-Threaded Task: run_multi_threaded took 1.3885 seconds. Running Multi-Processing Task: run_multi_processing took 1.5953 seconds. ## Python 3.13 with GIL Enabled Python Version: 3.13.0 experimental free-threading build (main, Oct 14 2024, 17:09:28) [Clang 14.0.0 (clang-1400.0.29.202)] GIL is currently active Running Single-Threaded Task: run_single_threaded took 8.7108 seconds. Running Multi-Threaded Task: run_multi_threaded took 8.6645 seconds. Running Multi-Processing Task: run_multi_processing took 1.4530 seconds. ## Python 3.12 Python Version: 3.12.6 (main, Sep 7 2024, 19:30:10) [Clang 14.0.0 (clang-1400.0.29.202)] GIL cannot be disabled for Python <= 3.12 Running Single-Threaded Task: run_single_threaded took 8.7004 seconds. Running Multi-Threaded Task: run_multi_threaded took 8.6297 seconds. Running Multi-Processing Task: run_multi_processing took 1.4876 seconds.
多线程性能：禁用 GIL 的真正好处在多线程场景中是显而易见的：
禁用 GIL (3.13) 时，执行时间为 1.5703 秒。
启用 GIL 后（3.13），执行时间为 8.5901 秒。
结果：禁用 GIL 使多线程任务的性能提高了约 81.7%。
该图表清楚地表明，在 Python 3.13 中禁用 GIL 可以显着提升多线程 CPU 密集型任务的性能，从而使 Python 能够高效地并行利用多个 CPU 核心。虽然单线程和多处理性能基本上不受影响，但多线程性能显示出显着改进，使 Python 3.13 成为依赖多线程的 CPU 密集型应用程序的游戏规则改变者。
但是，3.13之前的Python版本不支持禁用GIL，这也解释了为什么它们的多线程性能仍然与启用GIL的Python 3.13相似。早期版本中的这一限制继续限制 Python 充分利用多线程处理 CPU 密集型任务的能力。
在 Python 3.13 中禁用全局解释器锁 (GIL) 可以显着提高多线程 CPU 密集型任务的性能。但是，在此之前需要考虑几个重要因素：
线程安全：如果没有 GIL，您必须使用锁或其他同步机制手动处理线程安全，以防止代码中的竞争条件。
潜在的性能下降：细粒度锁定可能会引入争用，这可能会降低以前受益于 GIL 的单线程或 I/O 密集型任务的性能。
与第三方库的兼容性：许多 C 扩展和库假设存在 GIL 以保证线程安全。禁用 GIL 可能需要更新这些库，以确保它们在多线程环境中正常工作。
复杂的内存管理：禁用 GIL 会增加内存管理的复杂性，需要线程安全的内存处理，这会增加错误和错误的风险。
I/O 密集型任务： 禁用 GIL 为 I/O 密集型任务带来的好处有限，在这些任务中，像 asyncio 这样的非阻塞 I/O 机制可能更有效。
调试困难：如果没有 GIL，由于竞争条件和死锁的可能性增加，调试多线程应用程序可能会变得更具挑战性。
更高的内存使用量： 在没有 GIL 的情况下使用锁和管理线程状态会增加内存消耗，特别是在多线程应用程序中。
嵌入式系统：禁用 GIL 可能会使 Python 与嵌入式系统中的多线程环境的集成变得复杂，需要付出更多努力才能有效集成。
锁争用：在某些情况下，禁用 GIL 可能会导致线程之间出现锁争用，这可能会降低预期的性能改进。
您可以在我的 GitHub 上找到此博客中示例的完整源代码：
Python GIL 性能分析
这是一个个人博客。本文表达的观点和意见仅代表作者的观点和意见，并不代表与作者有关联的任何组织或个人的专业或个人观点。
以上是Python 无需 GIL 即可实现高性能多线程的门户的详细内容。更多信息请关注PHP中文网其他相关文章！
