多线程真的比单线程快？

 事实上，多线的比单线Python 多线程另一个很重要的程真程快话题叫，GIL(Global Interpreter Lock，多线的比单线即全局解释器锁)。程真程快

多线程不一定比单线程快

在Python中，多线的比单线可以通过多进程、程真程快多线程和多协程来实现多任务。多线的比单线难道多线程就一定比单线程快?程真程快

下面我用一段代码证明我自己得观点。

@Author：Runsen @微信公众号：Python之王 @博客：https://blog.csdn.net/weixin_44510615 @Date：2020/6/4 import threading,多线的比单线 time def my_counter():     i = 0     for _ in range(100000000):         i = i+1     return True def main1():     start_time = time.time()     for tid in range(2):         t = threading.Thread(target=my_counter)         t.start()         t.join()  # 第一次循环的时候join方法引起主线程阻塞，但第二个线程并没有启动，程真程快所以两个线程是多线的比单线顺序执行的     print("单线程顺序执行total_time: { }".format(time.time() - start_time)) def main2():     thread_ary = { }     start_time = time.time()     for tid in range(2):         t = threading.Thread(target=my_counter)         t.start()         thread_ary[tid] = t     for i in range(2):         thread_ary[i].join()  # 两个线程均已启动，所以两个线程是程真程快并发的     print("多线程执行total_time: { }".format(time.time() - start_time)) if __name__ == "__main__":     main1()     main2() 

运行结果

单线程顺序执行total_time: 17.754502773284912 多线程执行total_time: 20.01178550720215 

我怕你说我乱得出来得结果，我还是多线的比单线截个图看清楚点

这时，我怀疑：我的程真程快机器出问题了吗?其实不是这样，本质上来说Python 的多线的比单线线程失效了，没有起到并行计算的亿华云作用。

Python 的线程，的确封装了底层的操作系统线程，在 Linux 系统里是 Pthread(全称为 POSIX Thread)，而在 Windows 系统里是 Windows Thread。另外，Python 的线程，也完全受操作系统管理，比如协调何时执行、管理内存资源、管理中断等等。

GIL不是Python的特性

GIL 的概念用简单的一句话来解释，就是「任一时刻，无论线程多少，单一 CPython 解释器只能执行一条字节码」。这个定义需要注意的点：

首先需要明确的一点是「GIL并不是Python的特性」，它是源码下载在实现Python解析器(CPython)时所引入的一个概念。

C++是一套语言(语法)标准，但是可以用不同的编译器来编译成可执行代码。有名的编译器例如GCC，INTEL C++，Visual C++等。

Python也一样，同样一段代码可以通过CPython，PyPy，Psyco等不同的Python执行环境来执行。

「其他 Python 解释器不一定有 GIL」。例如 Jython (JVM) 和 IronPython (CLR) 没有 GIL，而 CPython，PyPy 有 GIL;

因为CPython是大部分环境下默认的Python执行环境。所以在很多人的概念里CPython就是Python，也就想当然的把GIL归结为Python语言的缺陷。所以这里要先明确一点：「GIL并不是Python的特性，Python完全可以不依赖于GIL」

GIL本质就是一把互斥锁

GIL本质就是网站模板一把互斥锁，既然是互斥锁，所有互斥锁的本质都一样，都是将并发运行变成串行，以此来控制同一时间内共享数据只能被一个任务所修改，进而保证数据安全。

可以肯定的一点是：保护不同的数据的安全，就应该加不同的锁。

GIL 的工作原理：比如下面这张图，就是一个 GIL 在 Python 程序的工作示例。其中，Thread 1、2、3 轮流执行，每一个线程在开始执行时，都会锁住 GIL，以阻止别的线程执行;同样的，每一个线程执行完一段后，会释放 GIL，以允许别的线程开始利用资源。

计算密集型

计算密集型任务的特点是要进行大量的计算，消耗CPU资源 

我们先来看一个简单的计算密集型示例：

@Author：Runsen @微信公众号：Python之王 @博客：https://blog.csdn.net/weixin_44510615 @Date：2020/6/4 import time COUNT = 50_000_000 def count_down():    global COUNT    while COUNT > 0:        COUNT -= 1 s = time.perf_counter() count_down() c = time.perf_counter() - s print(time taken in seconds - >:, c) time taken in seconds - >: 9.2957003 

这个是单线程， 时间是9s， 下面我们用两个线程看看结果又如何：

@Author：Runsen @微信公众号：Python之王 @博客：https://blog.csdn.net/weixin_44510615 @Date：2020/6/4 import time from threading import Thread COUNT = 50_000_000 def count_down():    global COUNT    while COUNT > 0:        COUNT -= 1 s = time.perf_counter() t1 = Thread(target=count_down) t2 = Thread(target=count_down) t1.start() t2.start() t1.join() t2.join() c = time.perf_counter() - s print(time taken in seconds - >:, c) time taken in seconds - >: 17.110625 

我们程序主要的操作就是在计算， CPU没有等待， 而改为多线程后， 增加了线程后， 在线程之间频繁的切换，增大了时间开销， 时间当然会增加了。

还有一种类型是IO密集型，涉及到网络、磁盘IO的任务都是IO密集型任务，这类任务的特点是CPU消耗很少，任务的大部分时间都在等待IO操作完成(因为IO的速度远远低于CPU和内存的速度)。对于IO密集型任务，任务越多，CPU效率越高，但也有一个限度。常见的大部分任务都是IO密集型任务，比如Web应用。

「总结：对于io密集型工作(Python爬虫)，多线程可以大幅提高代码效率。对CPU计算密集型(Python数据分析，机器学习，深度学习)，多线程的效率可能比单线程还略低。所以，数据领域没有多线程提高效率之说，只有将CPU提升到GPU，TPU来提升计算能力。」