在Python中使用多執行緒，如果你對GIL本身沒有一定的瞭解；那麼很有可能你只是寫出了正確的多執行緒程式碼，而並沒有達到多執行緒的目的，甚至截然相反的效果。下面介紹了Python中GIL的作用和侷限性，並提供了避免GIL影響效能的幾個建議。

GIL是CPython中特有的全域性直譯器鎖（其它實現版本因為有自己執行緒排程機制，所以沒有GIL機制）。本質上講它就是Python程序中的一把超大鎖。這把鎖在直譯器程序中是全域性有效的，它主要鎖定Python執行緒的CPU執行資源。

換句話說，在CPython直譯器中當一個執行緒需要執行CPU進行計算之前，它需要先獲得這把大鎖；否則即使已經被作業系統排程出來，但仍然無法執行計算。所以CPython直譯器中，執行緒的想要執行CPU指令需要2個條件：

1. 被作業系統排程出來【作業系統允許它佔用CPU】
2. 獲取到GIL【CPython直譯器允許它執行指令】

非常不幸的是，我們並不總是能滿足這2個條件。經常出現的情況是：已經滿足條件1，卻被條件2限制。而這就是GIL影響Python效能的主要原因【其它語言只需滿足條件1即可】。

如果Python（這裡預設指CPython）在單核CPU的機器上執行，它的多執行緒與單執行緒、以及其它語言的多執行緒在本質上並沒有什麼不一樣。【所有執行緒都是輪流佔用CPU執行指令】

而如果Python在多核CPU機器上執行的時候，效能則會非常槽糕。主要原因是在單核的時候，同時只有一個執行緒在執行CPU，所以這個執行緒總是能獲取到GIL。而換到多核的時候，同時會有多個執行緒在不同的CPU核心上執行，此時不同執行緒之間就需要競爭GIL，而GIL只能同時被一個執行緒申請到，所以會導致其它執行緒處於閒置狀態【即使它已經擁有了CPU資源】。所以Python在多核CPU上的多執行緒始終只有單執行緒在跑程式。

在早期的Python版本（3.2之前）中，GIL除了會讓多執行緒在多核機器下表現槽糕外，它還會導致某些執行緒場景佔用GIL，而其它執行緒卻無法申請到。典型場景是：

• 在2個執行緒的情況下
• 一個是IO密集型執行緒
• 一個是計算密集型執行緒

那麼最後的結果便是，一旦計算密集型執行緒獲得了GIL，那麼它在很長一段時間內都將佔據GIL，甚至一直到該執行緒執行結束。因為計算密集型執行緒在釋放GIL之後又會立即去申請GIL，並且通常在其它執行緒還沒有排程完之前它就已經重新獲取到了GIL。【因為GIL它沒有鎖通知機制，比如：Condition鎖】

在Python3.4之後，由於對GIL有了較大的改進。在單核的情況下，對於單個執行緒長期佔用GIL的情況有所好轉；但是在多核的情況下，效能仍然還是沒有多大的改善。

很多時候有些事情我們無法改變，但是生活給了我們智慧；所以為了客服困難，我們始終還是能找到解決辦法的。雖然預設情況下GIL對Python多執行緒的多核的情況下有較大的效能影響，但是為了能在Python中利用多核來提高計算效率，還是有如下的方法可以實現的：

• 使用python3.4或更高版本（對GIL機制進行了優化）
• 使用多程序替換多執行緒（多程序之間沒有GIL，但是程序本身的資源消耗較多）
• 使用C編寫高效能模組（with nogil調出GIL限制）
• 指定cpu執行執行緒（使用affinity模組）
• 使用Jython、IronPython等無GIL直譯器
• 全IO密集型任務時使用多執行緒
• 使用協程（高效的單執行緒模式，也稱微執行緒；通常與多程序配合使用）

關於GIL的實現原理、改進內容、適用場景等知識點，可以檢視這裡