Czym jest GIL (Global Interpreter Lock) w Pythonie…

GIL (Global Interpreter Lock) to mechanizm w interpreterze CPython, który pozwala na wykonywanie tylko jednego wątku (threadu) w danym momencie. Nawet na wielordzeniowych procesorach, GIL nie pozwala na rzeczywiste równoległe wykonywanie kodu Pythona.

Przyczyny istnienia GIL:

Uproszczenie zarządzania pamięcią: GIL upraszcza implementację bezpiecznego dla wątków zarządzania pamięcią i zbierania śmieci (licznik referencji). Bez GIL, potrzebne byłyby bardziej skomplikowane i zasobożerne mechanizmy blokad do ochrony wspólnych struktur danych.
Zachowanie kompatybilności z bibliotekami w C: GIL ułatwia integrację z istniejącymi bibliotekami w C, które mogą nie być bezpieczne dla wątków.

Wpływ GIL:

Ograniczenie paralelizmu w zadaniach CPU-bound: Dla zadań intensywnie korzystających z procesora, GIL staje się wąskim gardłem, ponieważ nawet na systemach wielordzeniowych, wykonywanie nie jest równoległe między rdzeniami. Wątki muszą czekać, aż GIL zostanie zwolniony.
Mniejsze wpływ na zadania I/O-bound: Dla zadań intensywnie korzystających z wejścia/wyjścia (np. żądania sieciowe, praca z plikami), GIL nie jest tak krytyczny. Podczas oczekiwania na operacje I/O, wątek zwalnia GIL, umożliwiając innym wątkom pracę.

Sposoby obejścia GIL:

Wieloprocesowość (multiprocessing): Zamiast wątków, używa się niezależnych procesów. Każdy proces ma własny interpreter Pythona i, co za tym idzie, własny GIL. Procesy mogą działać równolegle na różnych rdzeniach.
Programowanie asynchroniczne (asyncio): Używa modelu asynchronicznego wejścia/wyjścia na jednym wątku. Zamiast tworzyć wiele wątków, kod asynchroniczny przełącza się między zadaniami podczas oczekiwania na operacje I/O. GIL w tym nie wpływa tak mocno, ponieważ nie ma równoległego wykonywania zadań związanych z CPU.
Biblioteki w C/C++: Części kodu napisane w C lub C++ mogą wykonywać operacje bez utrzymywania GIL, zwalniając go podczas wykonywania tych operacji. Popularne biblioteki, takie jak NumPy i SciPy, korzystają z tego do wydajnych obliczeń.

# Przykład wpływu GIL na zadanie CPU-bound
import threading
import time

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

# Tworzenie dwóch wątków do wykonania zadania CPU-bound
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"Czas wykonania z wątkami (CPU-bound): {end_time - start_time:.2f} sekund") # Czas będzie mniej więcej dwa razy dłuższy niż wykonanie pojedynczego zadania, z powodu GIL

# Przykład zadania I/O-bound, gdzie GIL jest mniej widoczny
import threading
import time

def io_bound_task():
    time.sleep(1) # Symulacja oczekiwania na I/O

# Tworzenie dwóch wątków do wykonania zadania I/O-bound
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"Czas wykonania z wątkami (I/O-bound): {end_time - start_time:.2f} sekund") # Czas będzie około 1 sekundy, ponieważ wątki zwalniają GIL podczas sleep

Czym jest GIL (Global Interpreter Lock) w Pythonie?