本文已收录在Github，关注我，紧跟本系列专栏文章，咱们下篇再续！
- 🚀 魔都架构师 | 全网30W技术追随者
- 🔧 大厂分布式系统/数据中台实战专家
- 🏆 主导交易系统百万级流量调优 & 车联网平台架构
- 🧠 AIGC应用开发先行者 | 区块链落地实践者
- 🌍 以技术驱动创新，我们的征途是改变世界！
- 👉 实战干货：编程严选网
Python 的 GIL（Global Interpreter Lock，全局解释器锁） 是 CPython 解释器中的一把互斥锁，用于保证同一时间只有一个线程在执行 Python 字节码。使得 py 写得非常简单方便好理解。
为什么会导致性能问题？
- 单核限制：即使你在多核 CPU 上启动多个 Python 线程执行计算，由于 GIL 的存在，这些线程在同一时刻也只能使用一个 CPU 核心，无法实现真正的多核并行计算
- 频繁上下文切换：当一个线程在执行时，如果遇到 I/O 操作或达到执行时间片，它会释放 GIL。此时其他线程会去争抢 GIL，这种频繁的“加锁、释放、线程调度”会产生额外的 CPU 开销，让多线程在 CPU 密集型任务中不仅不提速，反而可能比单线程更慢
- 对任务类型的影响不同：
- CPU 密集型任务（如大量数学计算、图像处理）：受 GIL 严重影响，多线程性能低下
- I/O 密集型任务（如网络请求、文件读写）：当线程在等待 I/O 时会主动释放 GIL，因此多线程依然能发挥较好效果
解决或绕过 GIL 性能问题
- 使用多进程（
multiprocessing）：- 通过创建多个独立的进程来绕过 GIL。每个进程都有独立的 Python 解释器和内存空间，能够完全利用多核 CPU 的计算能力
- 使用 C 扩展（C-Extensions）：
- 像
NumPy、Pandas等底层由 C/C++ 实现的库，在执行核心计算时会主动释放 GIL，从而实现真正的多线程并行。所以很多应用高层 py，底层依旧是其他语言
- 像
- 异步编程（
asyncio）：- 适用于高并发的 I/O 密集型任务，通过单线程事件循环（Event Loop）避免了多线程带来的线程切换与锁竞争开销
- 尝试无 GIL 构建版本（Free-Threading，PEP 703）：
- 从 Python 3.13 开始，官方引入了实验性的无 GIL（Free-threaded） 构建版本（安装时可通过
--disable-gil启用），允许真正的多线程多核并行
- 从 Python 3.13 开始，官方引入了实验性的无 GIL（Free-threaded） 构建版本（安装时可通过
