三十四、多執行緒真的比單執行緒快？
@Author： Runsen
事實上，Python 多執行緒另一個很重要的話題叫，GIL（Global Interpreter Lock，即全局解釋器鎖）。
多執行緒不一定比單執行緒快
在Python中，可以通過多進程、多執行緒和多協程來實現多任務。難道多執行緒就一定比單執行緒快？
下面我用一段程式碼證明我自己得觀點。
'''
@Author： Runsen
@微信公眾號： Python之王
@部落格： //blog.csdn.net/weixin_44510615
@Date： 2020/6/4
'''
import threading, 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() # 第一次循環的時候join方法引起主執行緒阻塞，但第二個執行緒並沒有啟動，所以兩個執行緒是順序執行的
print("單執行緒順序執行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() # 兩個執行緒均已啟動，所以兩個執行緒是並發的
print("多執行緒執行total_time: {}".format(time.time() - start_time))
if __name__ == "__main__":
main1()
main2()
運行結果
單執行緒順序執行total_time: 17.754502773284912
多執行緒執行total_time: 20.01178550720215
我怕你說我亂得出來得結果，我還是截個圖看清楚點
這時，我懷疑：我的機器出問題了嗎？其實不是這樣，本質上來說Python 的執行緒失效了，沒有起到並行計算的作用。
Python 的執行緒，的確封裝了底層的作業系統執行緒，在 Linux 系統里是 Pthread（全稱為 POSIX Thread），而在 Windows 系統里是 Windows Thread。另外，Python 的執行緒，也完全受作業系統管理，比如協調何時執行、管理記憶體資源、管理中斷等等。
GIL不是Python的特性
GIL 的概念用簡單的一句話來解釋，就是任一時刻，無論執行緒多少，單一 CPython 解釋器只能執行一條位元組碼。這個定義需要注意的點：
首先需要明確的一點是GIL並不是Python的特性，它是在實現Python解析器(CPython)時所引入的一個概念。
C++是一套語言（語法）標準，但是可以用不同的編譯器來編譯成可執行程式碼。有名的編譯器例如GCC，INTEL C++，Visual C++等。
Python也一樣，同樣一段程式碼可以通過CPython，PyPy，Psyco等不同的Python執行環境來執行。
其他 Python 解釋器不一定有 GIL。例如 Jython (JVM) 和 IronPython (CLR) 沒有 GIL，而 CPython，PyPy 有 GIL；
因為CPython是大部分環境下默認的Python執行環境。所以在很多人的概念里CPython就是Python，也就想當然的把GIL歸結為Python語言的缺陷。所以這裡要先明確一點：GIL並不是Python的特性，Python完全可以不依賴於GIL
GIL本質就是一把互斥鎖
GIL本質就是一把互斥鎖，既然是互斥鎖，所有互斥鎖的本質都一樣，都是將並發運行變成串列，以此來控制同一時間內共享數據只能被一個任務所修改，進而保證數據安全。
可以肯定的一點是：保護不同的數據的安全，就應該加不同的鎖。
GIL 的工作原理：比如下面這張圖，就是一個 GIL 在 Python 程式的工作示例。其中，Thread 1、2、3 輪流執行，每一個執行緒在開始執行時，都會鎖住 GIL，以阻止別的執行緒執行；同樣的，每一個執行緒執行完一段後，會釋放 GIL，以允許別的執行緒開始利用資源。
計算密集型
計算密集型任務的特點是要進行大量的計算，消耗CPU資源。
我們先來看一個簡單的計算密集型示例：
'''
@Author： Runsen
@微信公眾號： Python之王
@部落格： //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
這個是單執行緒， 時間是9s， 下面我們用兩個執行緒看看結果又如何：
'''
@Author： Runsen
@微信公眾號： Python之王
@部落格： //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
我們程式主要的操作就是在計算， CPU沒有等待， 而改為多執行緒後， 增加了執行緒後， 在執行緒之間頻繁的切換，增大了時間開銷， 時間當然會增加了。
還有一種類型是IO密集型，涉及到網路、磁碟IO的任務都是IO密集型任務，這類任務的特點是CPU消耗很少，任務的大部分時間都在等待IO操作完成（因為IO的速度遠遠低於CPU和記憶體的速度）。對於IO密集型任務，任務越多，CPU效率越高，但也有一個限度。常見的大部分任務都是IO密集型任務，比如Web應用。
總結：對於io密集型工作（Python爬蟲），多執行緒可以大幅提高程式碼效率。對CPU計算密集型（Python數據分析，機器學習，深度學習），多執行緒的效率可能比單執行緒還略低。所以，數據領域沒有多執行緒提高效率之說，只有將CPU提升到GPU，TPU來提升計算能力。
本文已收錄 GitHub，傳送門~ ，裡面更有大廠面試完整考點，歡迎 Star。
