Python 的 GIL 到底卡住了啥？为什么多线程跑不快，3 个实验看清真相

系列：Python 底层设计逻辑｜类型：原理拆解型｜分发：CSDN / 博客园 / 腾讯云 字数：约 1600 字

结论先行：GIL（全局解释器锁）是 CPython 里一把"全局锁"，保证同一时刻只有一个线程在跑 Python 字节码。它锁的是"解释器执行权"，不是你的变量。所以 CPU 密集型任务用多线程基本白搭——多个线程轮流抢这把锁，反而有切换开销；但 I/O 密集型任务（网络、文件）不受影响，因为等待时会释放 GIL。想真并行算，得上多进程或把计算丢给 C 扩展。

1. 先破除一个误解：GIL 锁的不是你的数据

很多人以为 GIL 是防止多线程改同一个变量。错。保护变量靠的是你自己的锁（threading.Lock）。GIL 锁的是解释器本身——CPython 的内存管理（引用计数）不是线程安全的，所以干脆让同一时刻只有一个线程能执行字节码，从根本上避开竞争。

import threading
x = 0
def inc():
    global x
    for _ in range(100000):
        x += 1
# 两个线程各加 10 万次，结果却常常不是 200000

关键：上例结果不对，是因为 x += 1 不是原子操作，GIL 会在中间切换——这跟 GIL"防竞争"没关系，恰恰说明 GIL 不保护你的数据，你得自己加锁。

2. 实验一：CPU 密集型，多线程 vs 多进程

import time, threading, multiprocessing

def cpu_task():
    n = 0
    for _ in range(10_000_000):
        n += 1

# 多线程
t0 = time.time()
ts = [threading.Thread(target=cpu_task) for _ in range(4)]
[t.start() for t in ts]; [t.join() for t in ts]
print("线程:", time.time() - t0)

# 多进程
t0 = time.time()
ps = [multiprocessing.Process(target=cpu_task) for _ in range(4)]
[p.start() for p in ps]; [p.join() for p in ps]
print("进程:", time.time() - t0)

现象：四核机器上，多进程明显比多线程快接近一倍，多线程几乎没加速。原因就是 GIL——四个线程挤一把锁，谁也别想真并行算。

3. 实验二：I/O 密集型，多线程反而香

import time, threading, requests

def io_task():
    requests.get("https://www.baidu.com")   # 网络等待

t0 = time.time()
ts = [threading.Thread(target=io_task) for _ in range(10)]
[t.start() for t in ts]; [t.join() for t in ts]
print("IO 线程:", time.time() - t0)

为什么：网络请求时线程在等，CPython 会在等待点释放 GIL，别的线程就能跑。所以 I/O 密集场景多线程完全能打，这也是 Web 服务爱用多线程的原因。

4. 实验三：GIL 在 Python 3 里其实会变脸

Python 3.2 之后 GIL 改用"超时切换"：一个线程默认跑 5 毫秒就主动让出，避免单线程霸占。你可以用 sys.setswitchinterval 调这个值观察行为变化。但别指望它让 CPU 任务变快——切换更公平，不等于能并行。

5. 那到底怎么绕开 GIL？

• CPU 密集：用 multiprocessing 开多进程，每个进程独立 GIL、独立解释器，真并行。（代价是进程间通信贵。）
• 计算下沉 C：NumPy、Pandas 的底层是 C，计算时释放 GIL，所以向量化操作不受 GIL 拖累。
• 异步 asyncio：单线程并发处理海量 I/O，本就不依赖多线程。
• 换解释器：PyPy、Jython 没有 CPython 这种 GIL；官方也在做"nogil"实验分支。

对照表：什么时候 GIL 是事，什么时候不是

排错清单（收藏级）

• "我开了 8 个线程为啥 CPU 只跑满 1 核"：CPU 密集任务被 GIL 卡住，改多进程。
• 多线程改同一变量结果错：GIL 不保护你的数据，该加 Lock 还得加。
• Web 服务用多线程没问题：因为瓶颈在 I/O，GIL 早释放了。
• 想加速数值计算：优先向量化（NumPy），别盲目堆线程。
• 别神话多进程：进程开销大、不能共享内存，轻量并发还是线程/协程。

一句话记住：GIL 锁的是解释器的"执行权"，不是你的数据。CPU 活儿上进程，I/O 活儿随便多线程——先分清瓶颈在哪，再决定怎么绕。