如何让python程序正确高效地并发

前言：如今，大多数计算机都带有多个内核，允许多个线程并行运行计算。即使处理器只有单核，也可以通过并发编程来提升程序的运行效率，比如在一个线程等待网络数据的同时

前言：

如今，大多数计算机都带有多个内核，允许多个线程并行运行计算。即使处理器只有单核，也可以通过并发编程来提升程序的运行效率，比如在一个线程等待网络数据的同时，允许另一个线程占用CPU完成计算操作。并发编程对于程序运行加速是非常重要的。

不幸的是，由于所谓的全局解释器锁（“GIL”），在许多情况下，Python 一次只能运行一个线程。只有在一些特定的场景下，它才可以很好地运行多个线程。

但是哪些使用模式允许并行，哪些不允许？因此，本文将以实用性的角度解析 GIL 的工作原理，逐步深化对于GIL的认知：

本文将由浅入深的讲解GIL的工作原理，并把GIL的特性由浅入深的抽象成认知模型从而方便理解
本文将给出一些实用的设计方法，帮助读者预测并行瓶颈是否出现以及出现的位置

太长不看版：

线程必须持有 GIL 才能调用 CPython C API。**

在解释器中运行的 Python 代码，例如 x = f(1, 2)，会使用这些 API。每个 == 比较、每个整数加法、每个 list.append：都需要调用 CPython C API。因此，线程运行 Python 代码时必须持有锁。

其他线程无法获取 GIL，因此无法运行，直到当前运行的线程释放它，这会自动每 5ms 发生一次。

长时间运行（“阻塞”）的扩展代码会阻止自动切换。

然而，用 C（或其他低级语言）编写的 Python 扩展可以显式释放 GIL，从而允许一个或多个线程与持有 GIL 的线程并行运行。

python线程何时需要拥有GIL？

GIL 是 CPython 解释器的实现的一部分，它是一个线程锁：在一个给定的时间只有一个线程可以获取锁。因此，要了解 GIL 如何影响 Python 的多线程并行能力，我们首先需要回答一个关键问题：Python 线程何时需要持有 GIL？

认知模型1：同一时刻只有一个线程运行python代码

考虑以下代码；它在两个线程中运行函数 go()：

import threading
import time
def go():
    start = time.time()
    while time.time() < start + 0.5:
        sum(range(10000))
def main():
    threading.Thread(target=go).start()
    time.sleep(0.1)
    go()
main()

当我们使用 Sciagraph 性能分析器运行它时，执行时间线如下所示：

注意：线程是如何在 CPU 上等待和运行之间来回切换的：运行代码持有 GIL，等待线程正在等待 GIL。

如果 GIL 5 毫秒（或其他可配置的时间间隔）没有释放，Python 会告诉当前正在运行的线程释放 GIL。下一个线程拿到GIL后就可以运行。如上图所示，我们看到两个线程之间来回切换；实际显示的间隔长于 5 毫秒，因为采样分析器每 47 毫秒左右采样一次。

这就是我们最初的认知模型，或者说是对于GIL最浅层的认知：

线程必须持有 GIL 才能运行 Python 代码。
其他线程无法获取 GIL，因此无法运行，直到当前运行的线程释放它，GIL的切换每 5ms 进行一次。

模型2：不保证每 5 毫秒释放一次 GIL

GIL 在 Python 3.7 到 3.10 中默认每 5ms 释放一次，从而允许其他线程运行：

>>> import sys
>>> sys.getswitchinterval()
0.005

但是，这些版本中的GIL是尽力而为的，也就是说，其不能保证每隔5ms一定使得线程释放。考虑一个简单的伪代码，解释器在运行python线程时的逻辑如这个伪代码中的死循环所示：只有运行完一个操作后解释器python才会去检查是否释放GIL锁。

当然，python内部的实现逻辑比这个伪代码复杂的多，但是遵循的原则是相同的：

while True:
    if time_to_release_gil():
        temporarily_release_gil()
    run_next_python_instruction()

只要 run_next_python_instruction() 没有完成，temporary_release_gil() 就不会被调用。大多数情况下，这不会发生，因为单个操作（添加两个整数、追加到列表等）很快就可以完成。因此，解释器可以经常检查是否该释放GIL。

但是，长时间运行的操作会阻止 GIL 自动释放。让我们编写一个小的Cython拓展，Cython是一种类似 Python的语言，其代码会转化成C/C++代码，并编译成可以被python调用的形式。下边的代码调用标准 C 库中的 sleep() 函数：

cdef extern from "unistd.h":
    unsigned int sleep(unsigned int seconds)
def c_sleep(unsigned int seconds):
    sleep(seconds)

我们可以使用 Cython 附带的 cythonize 工具将其编译为可导入的 Python 扩展：

$ cythonize -i c_sleep.pyx
...
$ ls c_sleep*.so
c_sleep.cpython-39-x86_64-linux-gnu.so

接下来从一个 Python 程序中调用它，该程序会创建一个新线程，并调用c_sleep()，该新线程与主线程是并行的：

import threading
import time
from c_sleep import c_sleep

def thread():
    c_sleep(2)
threading.Thread(target=thread).start()
start = time.time()
while time.time() < start + 2:
    sum(range(10000))

直到睡眠线程完成前，主线程无法运行；睡眠线程根本没有释放 GIL。这是因为python在调用底层语言（如C）所编写的模块时是阻塞性的调用，只有等到调用返回结果之后，本条语句才算执行结束。而对 c_sleep(2) 的调用在2秒内没有返回。在这2秒结束之前，Python 解释器循环不会运行，因此不会检查它是否应该自动释放 GIL。

这是我们深化后的对GIL的认知：

Python 线程必须持有 GIL 才能运行代码。
其他 Python 线程无法获取 GIL，因此无法运行，直到当前运行的线程释放它，这会自动每 5 毫秒发生一次。
长时间运行（“阻塞”）的扩展代码会阻止自动切换。

模型3：非 Python 代码可以显式释放 GIL

time.sleep(3)使得线程3秒内什么都不做。如上所述，运行时间较长的拓展代码会阻止GIL在线程之间的自动切换。那么这是否意味当某一线程运行time.sleep()时，其他线程也不能运行？

让我们试试下面的代码，它尝试在主线程中并行运行 3 秒的睡眠和 5 秒的计算：

import threading
from time import time, sleep

program_start = time()

def thread():
    sleep(3)
    print("Sleep thread done, elapsed:", time() - program_start)

threading.Thread(target=thread).start()

# 在主线程中进行5秒的计算:
calc_start = time()
while time() < calc_start + 5:
    sum(range(10000))
print("Main thread done, elapsed:", time() - program_start)

运行后的结果为：

$ time python gil2.py 
Sleep thread done, elapsed: 3.0081260204315186
Main thread done, elapsed: 5.000330924987793
real    0m5.068s
user    0m4.977s
sys     0m0.011s

如果程序只能单线程的运行，那么程序运行时长需要8秒，3秒用于睡眠，5秒用于计算。从上边的结果可以看出，睡眠线程和主线程并行运行！

Sciagraph 性能分析器的输出如下图所示：

想要了解这个现象的原因，需要我们阅读time.sleep的实现代码：

        int ret;
        Py_BEGIN_ALLOW_THREADS
#ifdef HAVE_CLOCK_NANOSLEEP
        ret = clock_nanosleep(CLOCK_MONOTONIC, TIMER_ABSTIME, &timeout_abs, NULL);
        err = ret;
#elif defined(HAVE_NANOSLEEP)
        ret = nanosleep(&timeout_ts, NULL);
        err = errno;
#else
        ret = select(0, (fd_set *)0, (fd_set *)0, (fd_set *)0, &timeout_tv);
        err = errno;
#endif
        Py_END_ALLOW_THREADS

根据 PY_BEGIN/END_ALLOW_THREADS 的文档，Py_BEGIN_ALLOW_THREADS会使得程序自动的释放GIL锁，然后去执行阻塞操作，当程序运行到Py_END_ALLOW_THREADS时才会申请GIL锁。因此，上边的C实现在调用底层操作系统睡眠函数时会显式释放GIL。这是GIL释放的另一种方式，它与我们目前知道的每 5 毫秒自动切换一次是相互独立的。

任何已释放 GIL 并且不尝试申请它的代码（比如上文的sleep()期间）都不会阻塞其他申请GIL的线程。因此，只要程序能够显式释放 GIL，我们可以并行运行任意数量的线程。

所以这是我们的第三层认知：

线程必须持有 GIL 才能运行 Python 代码。
其他线程无法获取 GIL，因此无法运行，直到当前运行的线程释放它，这会自动每 5ms 发生一次。
长时间运行（“阻塞”）的扩展代码会阻止自动切换。
然而，用 C（或其他低级语言）编写的 Python 扩展可以显式释放 GIL，从而允许一个或多个线程与持有 GIL 的线程并行运行。

模型4：调用 Python C API 需要 GIL

到目前为止，我们已经说过python调用的C代码能够在某些情况下主动释放GIL。但是，线程调用 CPython C API时都必须持有 GIL。

当线程调用CPython C API时必须持有GIL，只有很少的API不需要持有GIL

(CPython C API可以使得Python程序调用已编译的利用C/C++编写的代码片段，Python 语言和标准库的大部分核心功能都是用 C 编写的)

所以这是我们最终的认知模型：

线程必须持有 GIL 才能调用 CPython C API。
在解释器中运行的 Python 代码，例如 x = f(1, 2)，会使用这些 API。每个 == 比较、每个整数加法、每个 list.append：都需要调用 CPython C API。因此，线程运行 Python 代码时必须持有锁。
其他线程无法获取 GIL，因此无法运行，直到当前运行的线程释放它，这会自动每 5ms 发生一次。
长时间运行（“阻塞”）的扩展代码会阻止自动切换。
然而，用 C（或其他低级语言）编写的 Python 扩展可以显式释放 GIL，从而允许一个或多个线程与持有 GIL 的线程并行运行。

什么场景适合利用python的并发？

当调用运行时间较长的，用C编写的API时应当主动释放GIL

python多线程最有用的情况是，线程调用长时间运行的C/C++/RUST代码，因此会长时间的不需要调用CPython C API，此时就可以让线程释放GIL从而允许其他线程运行。

不适合并发的场景：

所谓的纯python代码，指的是代码只与python内置的对象，如字典，整数，列表交互，并且代码也不会阻塞性的调用底层代码，这样的代码会频繁地使用Python C API：

l = []
for i in range(i):
    l.append(i * i)

此时搞线程并发并没有太大的意义

使用Python C API的低级代码

另一种不会获得太多并行性的情况是：在C/Rust扩展中需要使用大量的Python C API。例如，考虑一个读取以下字符串的 JSON 解析器：

[1, 2, 3]

解析器将：

读取几个字节，然后创建一个 Python 列表。
然后它将读取更多字节，然后创建一个 Python 整数并将其附加到列表中。
这种情况一直持续到数据处理完为止。

创建所有这些 Python 对象需要使用 CPython C API，因此需要持有 GIL。由于反复占有和释放 GIL 会降低程序的性能，而且大多数 JSON 文档都可以非常快速地解析。因此，JSON解析器的开发者当然会选择在整个处理过程结束之前都不释放GIL，但这也导致json解析器解析期间，程序只能线性运行。

让我们通过观察当我们在两个线程中读取两个大文档时，Python的内置JSON解析器如何影响并行性来验证这个假设。代码如下所示：

import json
import threading

def load_json():
    with open("large.json") as f:
        return json.load(f)

threading.Thread(target=load_json).start()
load_json()

性能分析器的结果如下所示：