11.1 Global Interpreter Lock
Global Interpreter Lock (GIL) 是在
CPython 解釋器中的一個機制，確保僅有一個執行緒
能在任何時候執行 Python 的 bytecode。GIL 阻止
執行緒的平行執行，這可能會對多執行緒程式的
效能產生負面影響，特別是在多核心處理器上。
為什麼 GIL 會存在
簡化記憶體管理：GIL 簡化了
記憶體管理和垃圾回收，使 Python 更容易實現。
執行緒安全：GIL 防止競態條件，
使得程式的執行對執行緒是安全的，無需使用鎖。
GIL 帶來的問題
受限的效能：多執行緒的程式進行計算密集的
任務時，無法充分利用多核心處理器的優勢，由於
GIL 的限制。
效能扭曲：使用大量執行緒執行任務的程式可能會 因為執行緒間的 context switching 而導致效能下降。
目前有四個主要方法來「繞過 GIL」：
11.2 使用多重處理 (multiprocessing)
模組 multiprocessing 允許創建
平行執行且不受 GIL 限制的進程，因為每個進程都有自己獨立的 Python 解釋器和
記憶體。
範例：
import multiprocessing
def worker(num):
print(f'Worker: {num}')
def main():
processes = []
for i in range(5):
p = multiprocessing.Process(target=worker, args=(i,))
processes.append(p)
p.start()
for p in processes:
p.join()
main()
11.3 非同步編程
使用 asyncio 的非同步編程允許在不
阻塞主線程的情況下平行執行任務。雖然這不能直接繞過 GIL，
但它允許在等待的時間內有效地執行其他任務。
範例：
import asyncio
async def main():
await asyncio.sleep(1)
print('Hello')
asyncio.run(main())
11.4 使用自主管理執行緒的函式庫
一些函式庫，例如 NumPy 和 SciPy，是用 C 編寫的並 使用自主管理執行緒的機制，使其能夠繞過 GIL 並有效 利用多核心處理器進行計算。
這其實是 Python 成功的原因之一，無論其本身有多慢。所有複雜的計算都用 C/C++ 語言重寫並 在處理器的所有核心甚至圖形卡的所有核心上執行。在現代圖形卡上有數千個核心。
這樣一來，無論語言本身快或慢都不再重要，因為所有資源密集的計算都是由外部函式庫進行的 或者完全放在遠端的數據中心。
11.5 在 Python 解釋器外執行計算
使用在 C/C++ 或其他語言上的擴展來執行計算，然後返回 結果。這允許在計算密集的運行期間避免被 GIL 阻塞。
使用 Cython 的範例：
# example.pyx
def compute(int n):
cdef int i, result = 0
for i in range(n):
result += i
return result
編譯和使用：
cythonize -i example.pyx
import example
print(example.compute(1000000))
GO TO FULL VERSION