Python GIL 对多线程与多进程的影响及优化策略

橘子海

发布时间：2026-10-14 | 5人浏览过

原创

本文深入解析Python全局解释器锁（GIL）机制，阐述其对多线程执行效率的限制。针对CPU密集型与IO密集型任务，对比分析多线程与多进程的适用场景，并结合代码实例说明如何在Python中合理选择并发模型以充分利用多核CPU性能。

Python GIL机制概述

Python全局锁

（1）全局锁导致的问题

Python的全局解释器锁（Global Interpreter Lock，简称GIL）源于早期设计时对数据安全的考量。其核心机制要求每个线程在执行前必须获取GIL，确保同一时刻仅有一个线程执行代码，即同一时刻只有一个线程占用CPU。因此，Python中的多线程并非真正意义上的并行执行。在单核CPU环境下，多线程表现为并发而非并行。宏观上，并发与并行均涉及多路请求的处理，但二者存在本质区别：并行指多个事件在同一时刻发生（例如多个CPU同时执行任务），而并发指多个事件在同一时间间隔内交错发生。

在Python多线程环境下，每个线程的执行流程如下：

1、获取GIL

2、执行代码，直到遇到sleep操作或Python虚拟机主动挂起该线程。

3、释放GIL

由此可见，线程执行的前提是获取GIL。可将GIL视为“通行证”，且在一个Python进程中仅存在一个GIL。无法获取通行证的线程禁止进入CPU执行。

在Python 2.x版本中，GIL的释放逻辑基于两种情况：线程遇到IO操作，或Python虚拟机的ticks计数达到100（ticks是Python内部用于控制GIL的计数器，每次释放后归零，可通过 sys.setcheckinterval 调整阈值）。每次释放GIL锁时，线程需进行锁竞争及上下文切换，这会消耗系统资源。由于GIL的存在，Python进程在任何时刻只能执行一个线程（即持有GIL的线程），这导致在多核CPU上，Python多线程的执行效率往往不高。

GIL对并发模型的影响及策略

（2）在有全局锁的情况下如何运行多线程、多进程

此处进行分类讨论：

1、CPU密集型代码（如各类循环处理、计数等）。在此类场景下，计算任务繁重，ticks计数迅速达到阈值，触发GIL的释放与重新竞争（线程间的频繁切换消耗大量资源）。因此，Python下的多线程对CPU密集型代码并不友好，建议采用多进程方式实现多任务处理。

2、IO密集型代码（如文件处理、网络爬虫等）。多线程能显著提升效率。在单线程模式下，IO操作会导致等待时间浪费；而开启多线程后，当线程A进行IO等待时，系统自动切换至线程B，从而充分利用CPU资源，提升程序执行效率。因此，Python的多线程对IO密集型代码较为友好。

在Python 3.x版本中，GIL不再使用ticks计数，而是改用计时器（当执行时间达到阈值时，当前线程释放GIL）。这一改进对CPU密集型程序更为友好，但并未解决GIL导致同一时间只能执行一个线程的根本问题，因此整体效率仍有限。

需注意：在多核环境下，多线程的表现可能比单核下更差。原因在于单核多线程中，每次释放GIL后，唤醒的线程通常能直接获取GIL，实现无缝执行；而在多核环境中，CPU0释放GIL后，其他CPU上的线程会参与竞争，但GIL可能很快又被CPU0获取。这导致其他CPU上被唤醒的线程在等待切换时间后重新进入待调度状态，引发线程颠簸（thrashing），反而降低效率。

回到最初的问题：资深开发者常建议“在Python中想要充分利用多核CPU，请使用多进程”。其原因在于：每个进程拥有各自独立的GIL，互不干扰，从而实现真正意义上的并行执行。因此，在Python中，针对多核CPU，多进程的执行效率优于多线程。

代码实例与效率分析

（3）代码实例

使用一个线程进行计数


#encoing:utf-8
import threading
import time
def test_counter():
  i = 0
  for _ in range(100000000):
    i += 1
  return True
def main():
  start_time = time.time()
  for tid in range(2):
    t1 = threading.Thread(target=test_counter)
    t1.start()
    t1.join()
  end_time = time.time()
  print("Total time:{}".format(end_time-start_time))
if __name__ == "__main__":
  main()

结果：

使用2个线程执行非IO操作


#encoding:utf-8
import threading
import time
def test_counter():
  i = 0
  for _ in range(100000000):
    i += 1
  return True
def main():
  thread_array = {}
  start_time = time.time()
  for tid in range(2):
    t = threading.Thread(target=test_counter)
    t.start()
    thread_array[tid] = t
  for i in range(2):
    thread_array[i].join()
  end_time = time.time()
  print("Total time:{}".format(end_time-start_time))
if __name__ == "__main__":
  main()

结果：