Что такое GIL (Global Interpreter Lock) в Python?

GIL (Global Interpreter Lock) — это механизм в интерпретаторе CPython, который разрешает выполнению только одному потоку (thread) в один момент времени. Даже на многоядерных процессорах, GIL не дает потокам реально распараллеливать исполнение Python-кода.

Причины существования GIL:

• Упрощение управления памятью: GIL упрощает реализацию потокобезопасного управления памятью и сборки мусора (reference counting). Без GIL потребовалось бы более сложное и дорогие по ресурсам механизмы блокировок для защиты общих структур данных.
• Сохранение совместимости с библиотеками Си: GIL облегчает интеграцию с существующими библиотеками на Си, которые могут не быть потокобезопасными.

Влияние GIL:

• Ограничение параллелизма CPU-bound задач: Для задач, интенсивно использующих процессор, GIL становится бутылочным горлышком, так как даже на многоядерных системах выполнение не распараллеливается между ядрами. Потоки вынуждены ждать, пока GIL освободится.
• Меньшее влияние на I/O-bound задачи: Для задач, интенсивно использующих ввод-вывод (сетевые запросы, работа с файлами), GIL не так критичен. Во время ожидания I/O операций, поток освобождает GIL, позволяя другим потокам работать.

Способы обойти GIL:

• Многопроцессорность (Multiprocessing): Вместо потоков используются независимые процессы. Каждый процесс имеет свой экземпляр интерпретатора Python и, как следствие, свой GIL. Процессы могут выполняться параллельно на разных ядрах.
• Асинхронное программирование (asyncio): Использует модель асинхронного ввода-вывода на одном потоке. Вместо создания множества потоков, асинхронный код переключается между задачами во время ожидания I/O операций. GIL при этом не влияет так сильно, так как нет параллельного выполнения CPU-связанных задач.
• Библиотеки на Си/C++: Части кода, написанные на Си или C++, могут выполнять операции без удержания GIL, освобождая его на время выполнения этих операций. Популярные библиотеки, такие как NumPy и SciPy, используют это для производительных вычислений.

# Пример влияния GIL на CPU-bound задачу
import threading
import time

def cpu_bound_task():
    count = 0
    for i in range(10**7):
        count += 1

# Создание двух потоков для выполнения CPU-bound задачи
t1 = threading.Thread(target=cpu_bound_task)
t2 = threading.Thread(target=cpu_bound_task)

start_time = time.time()
t1.start()
t2.start()
t1.join()
t2.join()
end_time = time.time()

print(f"Время выполнения с потоками (CPU-bound): {end_time - start_time:.2f} секунд") # Время будет примерно в 2 раза больше, чем выполнение одной задачи, из-за GIL

# Пример I/O-bound задачи, где GIL менее заметен
import threading
import time

def io_bound_task():
    time.sleep(1) # Имитация I/O ожидания

# Создание двух потоков для выполнения I/O-bound задачи
t1 = threading.Thread(target=io_bound_task)
t2 = threading.Thread(target=io_bound_task)

start_time = time.time()
t1.start()
t2.start()
t1.join()
t2.join()
end_time = time.time()

print(f"Время выполнения с потоками (I/O-bound): {end_time - start_time:.2f} секунд") # Время будет около 1 секунды, так как потоки освобождают GIL во время sleep