Python GIL 详解：原理、影响与突围
聊到 Python 并发，GIL 是个绕不开的坎。我入行头两年写多线程程序，以为加个线程就万事大吉，结果跑起来比单线程还慢……后来才明白，原来是 GIL 在背后搞鬼。
GIL 的原理
GIL 全称是 Global Interpreter Lock。说白了，就是 Python 解释器里的一把大锁。在任何时刻，只允许一个线程执行 Python 字节码。不管你的机器有多少个 CPU 核心，同一瞬间只有一个线程在工作。
为什么会这样？CPython 的内存管理不是线程安全的。没有 GIL，多个线程同时操作对象引用计数，内存就乱了。所以设计者选择了一个简单粗暴的方案：用一把全局锁，换内存安全。
关键点：GIL 锁的不是你的业务代码，而是 Python 解释器本身的执行路径。你的线程拿到 GIL 才能跑 Python 指令，跑一会就释放，然后其他线程抢。这个切换开销可不小。
GIL 对不同任务的真实影响
我做过一个爬虫项目，用多线程抓取上百个网页，速度确实提升了。但换了一个计算密集的任务——矩阵乘法，同样用多线程，反而比单线程还慢。区别在哪儿？
| 任务类型 | 线程数量 | GIL 影响 | 实际效果 |
|---|---|---|---|
| CPU 密集型 | 2~4 | 严重 | 可能比单线程还慢（锁竞争 + 上下文切换） |
| CPU 密集型 | 8+ | 灾难 | 几乎无并行收益，CPU 大部分时间在等锁 |
| IO 密集型 | 2~4 | 轻微 | 明显提速（线程等待 IO 时释放 GIL） |
| IO 密集型 | 8+ | 中等 | 仍有收益，但线程过多会导致调度开销 |
我的经验是：如果任务是 IO 密集型（网络请求、文件读写、数据库查询），用多线程是合理的。因为线程在等待 IO 时主动释放 GIL，其他线程可以趁机执行。但如果是纯粹算数、图像处理、数据压缩……别抱幻想，用多线程只会增加痛苦。
我曾经踩过的坑：用 threading 模块写了 8 个线程做图像卷积，结果只占满了一个 CPU 核心，其余 7 个在抢锁。找了两天 bug，最终发现是 GIL 作祟。后来换成 multiprocessing，速度直接×4。
绕过 GIL 的几种常见策略
怎么绕过这个设计？我整理了几条路，按推荐程度排列。
- 使用 multiprocessing 模块——每个进程有独立的解释器和自己的 GIL，真正并行。代价是进程间通信费劲，内存开销大。
- 使用 C 扩展（如 Cython、ctypes）——调用 C 代码时，GIL 可以被主动释放。适合性能热点用 Python 胶水、C 干活。
- 使用 asyncio + 协程——单线程内通过事件循环切换任务，完全绕过 GIL。适合大量 IO 等待，但不适合 CPU 密集型。
- 使用 Jython 或 IronPython——这些实现没有 GIL，但生态不完善，我很少在生产环境见人用。
- 使用 numpy/scipy 等底层用 C/Fortran 的库——它们内部释放 GIL，调用时表现为并行，但外层 Python 代码仍是串行。
我个人习惯：CPU 密集型用 multiprocessing，IO 密集型用 threading + Queue，混合型先用 asyncio 看效果，不行再上多进程。没有银弹，看场景选武器。
下面这个例子，对比了多线程和多进程做 CPU 密集运算的速度差异。
import time
import threading
import multiprocessing
def cpu_heavy(n):
"""计算 n 次斐波那契，模拟 CPU 密集"""
a, b = 0, 1
for _ in range(n):
a, b = b, a + b
return a
# 多线程版本
start = time.time()
threads = []
for _ in range(4):
t = threading.Thread(target=cpu_heavy, args=(10**7,))
threads.append(t)
t.start()
for t in threads:
t.join()
print(f"多线程耗时: {time.time() - start:.2f}s")
# 多进程版本
if __name__ == '__main__':
start = time.time()
with multiprocessing.Pool(4) as pool:
pool.map(cpu_heavy, [10**7] * 4)
print(f"多进程耗时: {time.time() - start:.2f}s")
实际跑出来，多线程耗时可能是 10 秒左右，多进程只需要 2.5 秒。差距就在 GIL。
整体认识：一张图帮你理清
下面这个图，展示了 GIL 在 CPU 密集和 IO 密集下的表现差异，以及常用的绕过路径。
你看，理解了 GIL 的本质，选工具就不再靠猜了。别听网上说“Python 多线程就是个废物”，那要看场景。用对了地方，它依然是好武器。