Python多进程编程：突破GIL的限制

写代码越久，越发现Python的GIL像个套在脖子上的紧箍咒，特别是跑CPU密集型任务的时候。说实话，一开始我也被GIL坑惨了，代码放多核机器上跑，愣是只用一个核。后来发现用多进程能完美解决这个问题，干脆今天就来聊聊这个话题。

GIL是个啥

你就想啊，Python解释器本质上就是个大管家，要时刻盯着程序里的那些变量对象。为了防止多个线程同时修改一个对象，搞出个GIL（Global Interpreter Lock）。说白了就是个大锁，同一时间只让一个线程执行Python字节码。

import threading

import time

counter = 0

def increment()：

global counter

for _ in range(1000000)：

counter += 1

# 创建两个线程

t1 = threading.Thread(target=increment)

t2 = threading.Thread(target=increment)

start = time.perf_counter()

t1.start()

t2.start()

t1.join()

t2.join()

end = time.perf_counter()

print(f“最终结果： {counter}”) # 预期200万

print(f“耗时： {end - start：.2f}秒”)

小贴士：

GIL不是Python语言特性，是CPython解释器的实现细节

PyPy和Jython等其他Python实现就没这个限制

IO密集型任务用多线程就够了，GIL影响不大

多进程来救场

要绕过GIL，最简单的招就是用多进程。每个进程都有自己独立的Python解释器，互不干扰。multiprocessing这个库简直就是为这个场景量身定做的。

from multiprocessing import Process， Value

import time

def heavy_calculation(result)：

temp = 0

for i in range(50000000)：

temp += i

result.value = temp

if __name__ == '__main__'：

# 创建共享内存值

result1 = Value('i'， 0)

result2 = Value('i'， 0)

# 启动两个进程

start = time.perf_counter()

p1 = Process(target=heavy_calculation， args=(result1，))

p2 = Process(target=heavy_calculation， args=(result2，))

p1.start()

p2.start()

p1.join()

p2.join()