摘要：酷睿代在年取代了奔騰，主頻遠低于此。該詞被敏捷開發團隊使用較多，含義與形式會略有不同，更改已經開始將垃圾收集器的狀態轉到解釋器，因此每個子解釋器將擁有它自己的本該如此。結論死亡了嗎對于單線程的應用程序，仍然存活。

本文原創并首發于公眾號【Python貓】，未經授權，請勿轉載。

原文地址：mp.weixin.qq.com/s/8KvQemz0S…

花下貓語： Python 中最廣為人詬病的一點，大概就是它的 GIL 了。由于 GIL 的存在，Python 無法實現真正的多線程編程，因此很多人都把這視作 Python 最大的軟肋。

PEP-554 提出后（2017年9月），大伙似乎看到了一線改善的曙光。然而，GIL 真的可以被徹底殺死么，如果可以的話，它會怎么實現呢，為什么等了一年多還沒實現，仍需要我們等待多長時間呢？

英文 | Has the Python GIL been slain);

作者 | Anthony Shaw

譯者 | 豌豆花下貓

聲明 ：本文獲得原作者授權翻譯，轉載請保留原文出處，請勿用于商業或非法用途。

2003 年初，Intel 公司推出了全新的奔騰 4 “HT” 處理器，該處理器的主頻（譯注：CPU 內核工作的時鐘頻率）為 3 GHz，采用了“超線程”技術。

在接下來的幾年中，Intel 和 AMD 激烈競爭，通過提高總線速度、L2 緩存大小和減小芯片尺寸以最大限度地減少延遲，努力地實現最佳的臺式機性能。3Ghz 的 HT 在 2004 年被“Prescott”的 580 型號取代，該型號的主頻高達 4 GHz。

似乎提升性能的最好方法就是提高處理器的主頻，但 CPU 卻受到高功耗和散熱會影響全球變暖的困擾。

你電腦上有 4Ghz 的 CPU 嗎？不太可能，因為性能的前進方式是更高的總線速度和更多的內核。Intel 酷睿 2 代在 2006 年取代了奔騰 4 ，主頻遠低于此。

除了發布消費級的多核 CPU，2006 年還發生了其它事情，Python 2.5 發布了！Python 2.5 帶來了人見人愛的 with 語句的 beta 版本 。

在使用 Intel 的酷睿 2 或 AMD 的 Athlon X2 時，Python 2.5 有一個重要的限制——GIL 。

GIL 即全局解釋器鎖（Global Interpreter Lock），是 Python 解釋器中的一個布爾值，受到互斥保護。這個鎖被 CPython 中的核心字節碼用來評估循環，并調節用來執行語句的當前線程。

CPython 支持在單個解釋器中使用多線程，但線程們必須獲得 GIL 的使用權才能執行操作碼（做低級操作）。這樣做的好處是，Python 開發人員在編寫異步代碼或多線程代碼時，完全不必操心如何獲取變量上的鎖，也不需擔心進程因為死鎖而崩潰。

GIL 使 Python 中的多線程編程變得簡單。

GIL 還意味著雖然 CPython 可以是多線程的，但在任何給定的時間里只能執行 1 個線程。這意味著你的四核 CPU 會像上圖一樣工作 （減去藍屏，但愿如此）。

當前版本的 GIL 是在2009年編寫的 【2】，用于支持異步功能，幾乎沒被改動地存活了下來，即使曾經多次試圖刪除它或減少對它的依賴。

所有提議移除 GIL 的訴求是，它不應該降低單線程代碼的性能。任何曾在 2003 年啟用超線程（Hyper-Threading）的人都會明白為什么 這很重要 【3】。

如果你想在 CPython 中使用真正的并發代碼，則必須使用多進程。

在 CPython 2.6 中，標準庫里增加了 multiprocessing 模塊。multiprocessing 是 CPython 大量產生的進程的包裝器（每個進程都有自己的GIL）——

from multiprocessing import Process

def f(name):
    print hello, name

if __name__ == __main__:
    p = Process(target=f, args=(bob,))
    p.start()
    p.join()

進程可以從主進程中“孵出”，通過編譯好的 Python 模塊或函數發送命令，然后重新納入主進程。

multiprocessing 模塊還支持通過隊列或管道共享變量。它有一個 Lock 對象，用于鎖定主進程中的對象，以便其它進程能夠寫入。

多進程有一個主要的缺陷：它在時間和內存使用方面的開銷很大。CPython 的啟動時間，即使沒有非站點（no-site），也是 100-200ms（參見 這個鏈接 【4】）。

因此，你可以在 CPython 中使用并發代碼，但是你必須仔細規劃那些長時間運行的進程，這些進程之間極少共享對象。

另一種替代方案是使用像 Twisted 這樣的三方庫。

小結一下，CPython 中使用多線程很容易，但它并不是真正的并發，多進程雖然是并發的，但開銷卻極大。

有沒有更好的方案呢？

繞過 GIL 的線索就在其名稱中，全局 解釋器 鎖是全局解釋器狀態的一部分。 CPython 的進程可以有多個解釋器，因此可以有多個鎖，但是此功能很少使用，因為它只通過 C-API 公開。

在為 CPython 3.8 提出的特性中有個 PEP-554，提議實現子解釋器（sub-interpreter），以及在標準庫中提供一個新的帶有 API 的 interpreters 模塊。

這樣就可以在 Python 的單個進程中創建出多個解釋器。Python 3.8 的另一個改動是解釋器都將擁有多帶帶的 GIL ——

因為解釋器的狀態包含內存分配競技場（memory allocation arena），即所有指向 Python 對象（局地和全局）的指針的集合，所以 PEP-554 中的子解釋器無法訪問其它解釋器的全局變量。

與多進程類似，在解釋器之間共享對象的方法是采用 IPC 的某種形式（網絡、磁盤或共享內存）來做序列化。在 Python 中有許多方法可以序列化對象，例如 marshal 模塊、 pickle 模塊、以及像 json 和 simplexml 這樣更標準化的方法 。這些方法褒貶不一，但無一例外會造成額外的開銷。

最佳方案是開辟一塊共享的可變的內存空間，由主進程來控制。這樣的話，對象可以從主解釋器發送，并由其它解釋器接收。這將是 PyObject 指針的內存管理空間，每個解釋器都可以訪問它，同時由主進程擁有對鎖的控制權。

這樣的 API 仍在制定中，但它可能如下所示：

import _xxsubinterpreters as interpreters
import threading
import textwrap as tw
import marshal

# Create a sub-interpreter
interpid = interpreters.create()

# If you had a function that generated some data
arry = list(range(0,100))

# Create a channel
channel_id = interpreters.channel_create()

# Pre-populate the interpreter with a module
interpreters.run_string(interpid, "import marshal; import _xxsubinterpreters as interpreters")

# Define a
def run(interpid, channel_id):
    interpreters.run_string(interpid,
                            tw.dedent("""
        arry_raw = interpreters.channel_recv(channel_id)
        arry = marshal.loads(arry_raw)
        result = [1,2,3,4,5] # where you would do some calculating
        result_raw = marshal.dumps(result)
        interpreters.channel_send(channel_id, result_raw)
        """),
               shared=dict(
                   channel_id=channel_id
               ),
               )

inp = marshal.dumps(arry)
interpreters.channel_send(channel_id, inp)

# Run inside a thread
t = threading.Thread(target=run, args=(interpid, channel_id))
t.start()

# Sub interpreter will process. Feel free to do anything else now.
output = interpreters.channel_recv(channel_id)
interpreters.channel_release(channel_id)
output_arry = marshal.loads(output)

print(output_arry)

此示例使用了 numpy ，并通過使用 marshal 模塊對其進行序列化來在通道上發送 numpy 數組 ，然后由子解釋器來處理數據（在多帶帶的 GIL 上），因此這會是一個計算密集型（CPU-bound）的并發問題，適合用子解釋器來處理。

marshal 模塊相當快，但仍不如直接從內存中共享對象那樣快。

PEP-574 提出了一種新的 pickle 【5】協議（v5），它支持將內存緩沖區與 pickle 流的其余部分分開處理。對于大型數據對象，將它們一次性序列化，再由子解釋器反序列化，這會增加很多開銷。

新的 API 可以（ 假想 ，并沒有合入）像這樣提供接口：

import _xxsubinterpreters as interpreters
import threading
import textwrap as tw
import pickle

# Create a sub-interpreter
interpid = interpreters.create()

# If you had a function that generated a numpy array
arry = [5,4,3,2,1]

# Create a channel
channel_id = interpreters.channel_create()

# Pre-populate the interpreter with a module
interpreters.run_string(interpid, "import pickle; import _xxsubinterpreters as interpreters")

buffers=[]

# Define a
def run(interpid, channel_id):
    interpreters.run_string(interpid,
                            tw.dedent("""
        arry_raw = interpreters.channel_recv(channel_id)
        arry = pickle.loads(arry_raw)
        print(f"Got: {arry}")
        result = arry[::-1]
        result_raw = pickle.dumps(result, protocol=5)
        interpreters.channel_send(channel_id, result_raw)
        """),
                            shared=dict(
                                channel_id=channel_id,
                            ),
                            )

input = pickle.dumps(arry, protocol=5, buffer_callback=buffers.append)
interpreters.channel_send(channel_id, input)

# Run inside a thread
t = threading.Thread(target=run, args=(interpid, channel_id))
t.start()

# Sub interpreter will process. Feel free to do anything else now.
output = interpreters.channel_recv(channel_id)
interpreters.channel_release(channel_id)
output_arry = pickle.loads(output)

print(f"Got back: {output_arry}")

確實，這個例子使用的是低級的子解釋器 API。如果你使用了多進程庫，你將會發現一些問題。它不像 threading 那么簡單，你不能想著在不同的解釋器中使用同一串輸入來運行同一個函數（目前還不行）。

一旦合入了這個 PEP，我認為 PyPi 中的其它一些 API 也會采用它。

簡版回答 ：大于一個線程，少于一個進程。

詳版回答 ：解釋器有自己的狀態，因此雖然 PEP-554 可以使創建子解釋器變得方便，但它還需要克隆并初始化以下內容：

在 main 命名空間與 importlib 中的模塊

sys 字典的內容

內置的方法（print、assert等等）

線程

核心配置

核心配置可以很容易地從內存克隆，但導入的模塊并不那么簡單。在 Python 中導入模塊的速度很慢，因此，如果每次創建子解釋器都意味著要將模塊導入另一個命名空間，那么收益就會減少。

標準庫中 asyncio 事件循環的當前實現是創建需要求值的幀（frame），但在主解釋器中共享狀態（因此共享 GIL）。

在 PEP-554 被合入后，很可能是在 Python 3.9，事件循環的替代實現 可能 是這樣（盡管還沒有人這樣干）：在子解釋器內運行 async 方法，因此會是并發的。

額，還不可以。

因為 CPython 已經使用單解釋器的實現方案很長時間了，所以代碼庫的許多地方都在使用“運行時狀態”（Runtime State）而不是“解釋器狀態”（Interpreter State），所以假如要將當前的 PEP-554 合入的話，將會導致很多問題。

例如，垃圾收集器（在 3.7 版本前）的狀態就屬于運行時。

在 PyCon sprint 期間（譯注：PyCon 是由 Python 社區舉辦的大型活動，作者指的是官方剛在美國舉辦的這場，時間是2019年5月1日至5月9日。sprint 是為期 1-4 天的活動，開發者們自愿加入某個項目，進行“沖刺”開發。該詞被敏捷開發團隊使用較多，含義與形式會略有不同），更改已經開始 【6】將垃圾收集器的狀態轉到解釋器，因此每個子解釋器將擁有它自己的 GC（本該如此）。

另一個問題是在 CPython 代碼庫和許多 C 擴展中仍殘存著一些“全局”變量。因此，當人們突然開始正確地編寫并發代碼時，我們可能會遭遇到一些問題。

還有一個問題是文件句柄屬于進程，因此當你在一個解釋器中讀寫一個文件時，子解釋器將無法訪問該文件（不對 CPython 作進一步更改的話）。

簡而言之，還有許多其它事情需要解決。

對于單線程的應用程序，GIL 仍然存活。因此，即便是合并了 PEP-554，如果你有單線程的代碼，它也不會突然變成并發的。

如果你想在 Python 3.8 中使用并發代碼，那么你就會遇到計算密集型的并發問題，那么這可能是張入場券！

Pickle v5 和用于多進程的共享內存可能是在 Python 3.8（2019 年 10 月）實現，子解釋器將介于 3.8 和 3.9 之間。

如果你現在想要使用我的示例，我已經構建了一個分支，其中包含所有 必要的代碼 【7】

[1] Has the Python GIL been slain);

公眾號【Python貓】， 本號連載優質的系列文章，有喵星哲學貓系列、Python進階系列、好書推薦系列、技術寫作、優質英文推薦與翻譯等等，歡迎關注哦。后臺回復“愛學習”，免費獲得一份學習大禮包。