Python中的GIL怎么實現(xiàn)

本篇內(nèi)容介紹了“Python中的GIL怎么實現(xiàn)”的有關(guān)知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠?qū)W有所成！

為什么需要 GIL

GIL 本質(zhì)上是一把鎖，學過操作系統(tǒng)的同學都知道鎖的引入是為了避免并發(fā)訪問造成數(shù)據(jù)的不一致。CPython 中有很多定義在函數(shù)外面的全局變量，比如內(nèi)存管理中的 usable_arenas 和 usedpools，如果多個線程同時申請內(nèi)存就可能同時修改這些變量，造成數(shù)據(jù)錯亂。另外 Python 的垃圾回收機制是基于引用計數(shù)的，所有對象都有一個 ob_refcnt字段表示當前有多少變量會引用當前對象，變量賦值、參數(shù)傳遞等操作都會增加引用計數(shù)，退出作用域或函數(shù)返回會減少引用計數(shù)。同樣地，如果有多個線程同時修改同一個對象的引用計數(shù)，就有可能使 ob_refcnt 與真實值不同，可能會造成內(nèi)存泄漏，不會被使用的對象得不到回收，更嚴重可能會回收還在被引用的對象，造成 Python 解釋器崩潰。

GIL 的實現(xiàn)

CPython 中 GIL 的定義如下

struct _gil_runtime_state {
    unsigned long interval; // 請求 GIL 的線程在 interval 毫秒后還沒成功，就會向持有 GIL 的線程發(fā)出釋放信號
    _Py_atomic_address last_holder; // GIL 上一次的持有線程，強制切換線程時會用到
    _Py_atomic_int locked; // GIL 是否被某個線程持有
    unsigned long switch_number; // GIL 的持有線程切換了多少次
    // 條件變量和互斥鎖，一般都是成對出現(xiàn)
    PyCOND_T cond;
    PyMUTEX_T mutex;
    // 條件變量，用于強制切換線程
    PyCOND_T switch_cond;
    PyMUTEX_T switch_mutex;
};

最本質(zhì)的是 mutex 保護的 locked 字段，表示 GIL 當前是否被持有，其他字段是為了優(yōu)化 GIL 而被用到的。線程申請 GIL 時會調(diào)用 take_gil() 方法，釋放 GIL時 調(diào)用 drop_gil() 方法。為了避免饑餓現(xiàn)象，當一個線程等待了 interval 毫秒（默認是 5 毫秒）還沒申請到 GIL 的時候，就會主動向持有 GIL 的線程發(fā)出信號，GIL 的持有者會在恰當時機檢查該信號，如果發(fā)現(xiàn)有其他線程在申請就會強制釋放 GIL。這里所說的恰當時機在不同版本中有所不同，早期是每執(zhí)行 100 條指令會檢查一次，在 Python 3.10.4 中是在條件語句結(jié)束、循環(huán)語句的每次循環(huán)體結(jié)束以及函數(shù)調(diào)用結(jié)束的時候才會去檢查。

申請 GIL 的函數(shù) take_gil() 簡化后如下

static void take_gil(PyThreadState *tstate)
{
    ...
    // 申請互斥鎖
    MUTEX_LOCK(gil->mutex);
    // 如果 GIL 空閑就直接獲取
    if (!_Py_atomic_load_relaxed(&gil->locked)) {
        goto _ready;
    }
    // 嘗試等待
    while (_Py_atomic_load_relaxed(&gil->locked)) {
        unsigned long saved_switchnum = gil->switch_number;
        unsigned long interval = (gil->interval >= 1 ? gil->interval : 1);
        int timed_out = 0;
        COND_TIMED_WAIT(gil->cond, gil->mutex, interval, timed_out);
        if (timed_out &&  _Py_atomic_load_relaxed(&gil->locked) && gil->switch_number == saved_switchnum) {
            SET_GIL_DROP_REQUEST(interp);
        }
    }
_ready:
    MUTEX_LOCK(gil->switch_mutex);
    _Py_atomic_store_relaxed(&gil->locked, 1);
    _Py_ANNOTATE_RWLOCK_ACQUIRED(&gil->locked, /*is_write=*/1);

    if (tstate != (PyThreadState*)_Py_atomic_load_relaxed(&gil->last_holder)) {
        _Py_atomic_store_relaxed(&gil->last_holder, (uintptr_t)tstate);
        ++gil->switch_number;
    }
    // 喚醒強制切換的線程主動等待的條件變量
    COND_SIGNAL(gil->switch_cond);
    MUTEX_UNLOCK(gil->switch_mutex);
    if (_Py_atomic_load_relaxed(&ceval2->gil_drop_request)) {
        RESET_GIL_DROP_REQUEST(interp);
    }
    else {
        COMPUTE_EVAL_BREAKER(interp, ceval, ceval2);
    }
    ...
    // 釋放互斥鎖
    MUTEX_UNLOCK(gil->mutex);
}

整個函數(shù)體為了保證原子性，需要在開頭和結(jié)尾分別申請和釋放互斥鎖 gil->mutex。如果當前 GIL 是空閑狀態(tài)就直接獲取 GIL，如果不空閑就等待條件變量 gil->cond interval 毫秒（不小于 1 毫秒），如果超時并且期間沒有發(fā)生過 GIL 切換就將 gil_drop_request 置位，請求強制切換 GIL 持有線程，否則繼續(xù)等待。一旦獲取 GIL 成功需要更新 gil->locked、gil->last_holder 和 gil->switch_number 的值，喚醒條件變量 gil->switch_cond，并且釋放互斥鎖 gil->mutex。

釋放 GIL 的函數(shù) drop_gil() 簡化后如下

static void drop_gil(struct _ceval_runtime_state *ceval, struct _ceval_state *ceval2,
         PyThreadState *tstate)
{
    ...
    if (tstate != NULL) {
        _Py_atomic_store_relaxed(&gil->last_holder, (uintptr_t)tstate);
    }
    MUTEX_LOCK(gil->mutex);
    _Py_ANNOTATE_RWLOCK_RELEASED(&gil->locked, /*is_write=*/1);
    // 釋放 GIL
    _Py_atomic_store_relaxed(&gil->locked, 0);
    // 喚醒正在等待 GIL 的線程
    COND_SIGNAL(gil->cond);
    MUTEX_UNLOCK(gil->mutex);
    if (_Py_atomic_load_relaxed(&ceval2->gil_drop_request) && tstate != NULL) {
        MUTEX_LOCK(gil->switch_mutex);
        // 強制等待一次線程切換才被喚醒，避免饑餓
        if (((PyThreadState*)_Py_atomic_load_relaxed(&gil->last_holder)) == tstate)
        {
            assert(is_tstate_valid(tstate));
            RESET_GIL_DROP_REQUEST(tstate->interp);
            COND_WAIT(gil->switch_cond, gil->switch_mutex);
        }
        MUTEX_UNLOCK(gil->switch_mutex);
    }
}

首先在 gil->mutex 的保護下釋放 GIL，然后喚醒其他正在等待 GIL 的線程。在多 CPU 的環(huán)境下，當前線程在釋放 GIL 后有更高的概率重新獲得 GIL，為了避免對其他線程造成饑餓，當前線程需要強制等待條件變量 gil->switch_cond，只有在其他線程獲取 GIL 的時候當前線程才會被喚醒。

幾點說明

GIL 優(yōu)化

受 GIL 約束的代碼不能并行執(zhí)行，降低了整體性能，為了盡量降低性能損失，Python 在進行 IO 操作或不涉及對象訪問的密集 CPU 計算的時候，會主動釋放 GIL，減小了 GIL 的粒度，比如

• 讀寫文件

• 網(wǎng)絡訪問

• 加密數(shù)據(jù)/壓縮數(shù)據(jù)

所以嚴格來說，在單進程的情況下，多個 Python 線程時可能同時執(zhí)行的，比如一個線程在正常運行，另一個線程在壓縮數(shù)據(jù)。

用戶數(shù)據(jù)的一致性不能依賴 GIL

GIL 是為了維護 Python 解釋器內(nèi)部變量的一致性而產(chǎn)生的鎖，用戶數(shù)據(jù)的一致性不由 GIL 負責。雖然 GIL 在一定程度上也保證了用戶數(shù)據(jù)的一致性，比如 Python 3.10.4 中不涉及跳轉(zhuǎn)和函數(shù)調(diào)用的指令都會在 GIL 的約束下原子性的執(zhí)行，但是數(shù)據(jù)在業(yè)務邏輯上的一致性需要用戶自己加鎖來保證。

下面的代碼用兩個線程模擬用戶集碎片得獎

from threading import Thread

def main():
    stat = {"piece_count": 0, "reward_count": 0}
    t1 = Thread(target=process_piece, args=(stat,))
    t2 = Thread(target=process_piece, args=(stat,))
    t1.start()
    t2.start()
    t1.join()
    t2.join()
    print(stat)

def process_piece(stat):
    for i in range(10000000):
        if stat["piece_count"] % 10 == 0:
            reward = True
        else:
            reward = False
        if reward:
            stat["reward_count"] += 1
        stat["piece_count"] += 1

if __name__ == "__main__":
    main()

假設用戶每集齊 10 個碎片就能得到一次獎勵，每個線程收集了 10000000 個碎片，應該得到 9999999 個獎勵（最后一次沒有計算），總共應該收集 20000000 個碎片，得到 1999998 個獎勵，但是在我電腦上一次運行結(jié)果如下

{'piece_count': 20000000, 'reward_count': 1999987}

總的碎片數(shù)量與預期一致，但是獎勵數(shù)量卻少了 12 個。碎片數(shù)量正確是因為在 Python 3.10.4 中，stat["piece_count"] += 1 是在 GIL 約束下原子性執(zhí)行的。由于每次循環(huán)結(jié)束都可能切換執(zhí)行線程，那么可能線程 t1 在某次循環(huán)結(jié)束時將 piece_count 加到 100，但是在下次循環(huán)開始模 10 判斷前，Python 解釋器切換到線程 t2 執(zhí)行，t2 將 piece_count 加到 101，那么就會錯過一次獎勵。

附：如何避免受到GIL的影響

說了那么多，如果不說解決方案就僅僅是個科普帖，然并卵。GIL這么爛，有沒有辦法繞過呢？我們來看看有哪些現(xiàn)成的方案。

用multiprocess替代Thread

multiprocess庫的出現(xiàn)很大程度上是為了彌補thread庫因為GIL而低效的缺陷。它完整的復制了一套thread所提供的接口方便遷移。唯一的不同就是它使用了多進程而不是多線程。每個進程有自己的獨立的GIL，因此也不會出現(xiàn)進程之間的GIL爭搶。

當然multiprocess也不是萬能良藥。它的引入會增加程序?qū)崿F(xiàn)時線程間數(shù)據(jù)通訊和同步的困難。就拿計數(shù)器來舉例子，如果我們要多個線程累加同一個變量，對于thread來說，申明一個global變量，用thread.Lock的context包裹住三行就搞定了。而multiprocess由于進程之間無法看到對方的數(shù)據(jù)，只能通過在主線程申明一個Queue，put再get或者用share memory的方法。這個額外的實現(xiàn)成本使得本來就非常痛苦的多線程程序編碼，變得更加痛苦了。具體難點在哪有興趣的讀者可以擴展閱讀這篇文章

用其他解析器

之前也提到了既然GIL只是CPython的產(chǎn)物，那么其他解析器是不是更好呢？沒錯，像JPython和IronPython這樣的解析器由于實現(xiàn)語言的特性，他們不需要GIL的幫助。然而由于用了Java/C#用于解析器實現(xiàn)，他們也失去了利用社區(qū)眾多C語言模塊有用特性的機會。所以這些解析器也因此一直都比較小眾。畢竟功能和性能大家在初期都會選擇前者，Done is better than perfect。

所以沒救了么？

當然Python社區(qū)也在非常努力的不斷改進GIL，甚至是嘗試去除GIL。并在各個小版本中有了不少的進步。有興趣的讀者可以擴展閱讀這個Slide

另一個改進Reworking the GIL

將切換顆粒度從基于opcode計數(shù)改成基于時間片計數(shù)

避免最近一次釋放GIL鎖的線程再次被立即調(diào)度

新增線程優(yōu)先級功能（高優(yōu)先級線程可以迫使其他線程釋放所持有的GIL鎖）

“Python中的GIL怎么實現(xiàn)”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識可以關(guān)注億速云網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實用文章！