import threadingclass UnsafeCounter:def__init__(self):self.value = 0def increment(self):# 这行代码在字节码层面不是原子的self.value = self.value+1counter = UnsafeCounter()def worker():for_inrange(100000):counter.increment()threads = []for _ in range(5):t = threading.Thread(target=worker)threads.append(t)t.start()for t in threads:t.join()print(f"预期结果: 500000, 实际结果: {counter.value}")# 多次运行，实际结果几乎每次都小于500000

三、根据场景选策略

I/O密集型（网络服务、文件处理）：直接用多线程

GIL在I/O等待时会释放，线程并发效果好。这是Python多线程最擅长的地方：

import threadingimport timeimport requestsdef fetch_url(url):print(f"{threading.current_thread().name} 开始请求 {url}")# requests.get() 等待网络响应期间，GIL会被释放response = requests.get(url, timeout=5)print(f"{threading.current_thread().name} 完成，状态码: {response.status_code}")returnlen(response.text)urls = ['https://httpbin.org/delay/1'] *5# 5个各延迟1秒的接口start = time.time()threads = []results = []for i, url in enumerate(urls):t = threading.Thread(target=lambdau=url: results.append(fetch_url(u)), name=f"Worker-{i}")threads.append(t)t.start()for t in threads:t.join()print(f"总耗时: {time.time() - start:.2f}秒")# 5个任务并发执行，总耗时略大于1秒，而非5秒

CPU密集型（科学计算、数据处理）：两条路

一是用多进程（multiprocessing）。每个进程有独立的解释器和内存空间，完全绕开GIL：

from multiprocessing import Pool, cpu_countimport timedef calculate_prime(n):"""计算第n个素数（简易版）"""count = 0num = 2while count<n:is_prime = Truefor i in range(2, int(num**0.5)+1):if num%i == 0:is_prime = Falsebreakif is_prime:count += 1num += 1return num-1if __name__ == '__main__':tasks = [10000, 15000, 20000, 25000]start = time.time()for task in tasks:calculate_prime(task)single_time = time.time() -startprint(f"单进程顺序执行耗时: {single_time:.2f}秒")start = time.time()with Pool(processes=cpu_count()) as pool:results = pool.map(calculate_prime, tasks)multi_time = time.time() -startprint(f"多进程并行执行耗时: {multi_time:.2f}秒")print(f"加速比: {single_time / multi_time:.2f}x")

二是用NumPy、Pandas、Polars这类计算库。它们的核心计算用C/C++/Rust写的，跑计算时会释放GIL，多核并行是真实的：

import numpy as npimport threadingimport timedef matrix_power_computation():"""NumPy矩阵运算，底层C代码会释放GIL"""matrix = np.random.rand(2000, 2000)result = np.linalg.matrix_power(matrix, 3)return result.shapedef run_with_threads(n_threads):threads = []start = time.time()for i in range(n_threads):t = threading.Thread(target=matrix_power_computation, name=f"NumPy-Worker-{i}")threads.append(t)t.start()for t in threads:t.join()elapsed = time.time() -startprint(f"{n_threads}个NumPy线程任务总耗时: {elapsed:.2f}秒")return elapsedrun_with_threads(2)

高并发I/O场景还有第三条路：asyncio异步编程。单线程、无GIL干扰、切换开销最小：

import asyncioimport aiohttpimport timeasync def async_fetch_url(session, url):print(f"开始请求: {url}")asyncwith session.get(url) asresponse:text = await response.text()print(f"完成: {url}, 长度: {len(text)}")return len(text)async def main():urls = ['https://httpbin.org/delay/1'] *5async with aiohttp.ClientSession() as session:tasks = [async_fetch_url(session, url) for url in urls]results = await asyncio.gather(*tasks)print(f"所有异步任务完成。结果长度列表: {results}")start = time.time()asyncio.run(main())print(f"异步I/O总耗时: {time.time() - start:.2f}秒")

追求更高性能：关注Python 3.12/3.13的新动向

Python 3.12通过PEP 684引入了“每解释器GIL”——单进程内可以创建多个拥有独立GIL的子解释器，实现真正的进程内并行（目前主要通过C-API使用）。

Python 3.13走得更远，提供了可以禁用GIL的自由线程构建版本。线程可以真正并行跑，但代价是开发者得像写C++/Java一样，手动用锁保证线程安全：

# Python 3.13+ 自由线程模式import threadingimport sysif has attr(sys, '_is_gil_enabled') and not sys._is_gil_enabled():print("警告：运行在无GIL模式，必须显式保证线程安全！")class BankAccount:"""无GIL环境下，共享状态必须加锁"""def__init__(self, balance):self.balance = balanceself._lock = threading.Lock()def transfer(self, to_account, amount):with self._lock:if self.balance>= amount:self.balance -= amountto_account.deposit(amount)returnTruereturnFalsedef deposit(self, amount):with self._lock:self.balance += amount

四、GIL的去留

GIL是特定历史时期的产物，当时单核CPU是主流，这个设计在简单性和安全性上的收益远大于并行能力的损失。随着多核成为标配，Python社区二十多年来一直在讨论要不要移除它，但每次尝试都因为兼容性和生态问题搁置。

Python 3.13的自由线程模式，是这个问题真正开始被认真解决的信号。不过距离全面普及还有一段路，毕竟大量C扩展库还没为无GIL环境做好准备。

现阶段最实用的思路：搞清楚自己的任务是I/O密集还是CPU密集，选对工具。大多数场景下，现有的线程、进程、asyncio和科学计算库已经够用了。

“无他，惟手熟尔”！有需要的用起来！

想高效学习Python？下面三本精选好书满足你的不同需求！

《流畅的Python（第2版）》——Python进阶必读！深入讲解高级特性与最佳实践，适合想精进的开发者。

《Python从新手到高手》：初学者首选，系统学习全栈技能。

《Python数据分析：从零基础入门到案例实战》——数据科学利器！手把手教你用Python处理数据，实战案例学完就能用。

三本书均支持先用后付、运费险和7天无理由退货，放心购买！点击“购买”按钮，立即开启你的Python学习之旅吧！

▼点击下方，即可购书

------加入知识库与更多人一起学习------

https://ima.qq.com/wiki/?shareId=f2628818f0874da17b71ffa0e5e8408114e7dbad46f1745bbd1cc1365277631c

本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。

二、常见的三个误解

三、根据场景选策略

四、GIL的去留

Python GIL到底是什么,为什么很多人误解它

一、GIL是什么？一把必要的“安全锁”

最新文章

热门文章

随机文章

Python GIL到底是什么,为什么很多人误解它

一、GIL是什么？一把必要的“安全锁”

二、常见的三个误解

三、根据场景选策略

四、GIL的去留

【Python办公】白领必须学会的Python自动化办公指南

Python零基础第13讲:列表的统计与计算

最新文章

热门文章

随机文章