深入解析：54、【Ubuntu】【Gitlab】拉出内网 Web 服务：http.server 单/多线程分析（六）

【声明】本博客所有内容均为个人业余时间创作，所述技术案例均来自公开开源项目（如Github，Apache基金会），不涉及任何企业机密或未公开技术，如有侵权请联系删除

背景

上篇 blog
【Ubuntu】【Gitlab】拉出内网 Web 服务：http.server 单/多线程分析（五）
分析了 Python GIL 锁在多线程环境下，对 IO 管理（比如 Web 服务并发），仍然有效果的原因，下面继续

Python http.server 单/多线程分析

OK，前面分析了Python 的 GIL 锁限制了对于一个 Python 进程，即使在多线程环境下，也不能并行的能力，这里需要注意下，并行和并发的区别

• 并发：在同时进行一样），不需要 CPU 多核，靠线程切换就能完成就是表示多个任务交替推进，宏观上看这些多个任务就是在同时进行（即使 CPU 交替执行，其时间依然很短，给人感觉就，因此即使 Python 进程被 GIL 限制，其多线程能力依然对提升 Web 性能依然有效的原因
  
• 并行：表示多个任务真正同时进行（物理上同时运行），需要多核，不能靠多线程切换结束，适合 CPU 密集型任务的处理，此时 Python 的 GIL 锁就起作用了，GIL 锁限制了在同一时刻，只能有一个线程在真正执行，也就是说，一个 Python 程序只能用一个 CPU 核来执行任务
  
  线程 1 和线程 2，此时可以真正物理上同时使用 CPU 核心来执行任务，而不必须等待
  

可以看到，并发和并行不是一回事，就好比一个人边煮饭边听音乐（通过切换注意力实现任务的并发），而并行是两个人，一个人煮饭，一个人听音乐，这个就是真正的同时进行，所以要注意，高并发 ≠ 高并行

OK，下面再分析下GIL 锁限制 Python 字节码并行执行的原因

首先，CPython 使用引用计数（Reference Counting） 管理内存，在 CPython 中，每个 Python 对象（比如 int，list，str）都有一个 ob_refcnt 字段，记录有多少变量，或容器引用它（注意，引用计数属于 CPython 内部实现机制，需查看解释器源码才能看到）

举个例子：

• 当给 a = [1, 2, 3] 赋值时，列表对象的 ob_refcnt 为 1
• 然后令 b = a，此时 ob_refcnt 会变成 2
• 当 a 或 b 被删除或重新赋值时，ob_refcnt 会减 1
• 当 ob_refcnt == 0 时，CPython 会立即释放内存，而不是等垃圾回收

这种机制简单高效，但有一个致命问题，ob_refcnt 的加减不是原子操作！

如果没有 GIL 锁，假设两个线程同时运行同一对象，该对象初始值是 2，俩线程都要对其进行减 1 执行

可以看到，ob_refcnt 被两个线程减引用操作，实际应该变成 0，因为两次减 1，但结果却是 1，此时该对象永远不会被释放，就会造成内存泄漏，更严重的是，如果引用计数错误地编程负数或乱掉，还可能直接导致解释器崩溃（segfault），于是 CPython 必须保证任何修改 Python 对象引用计数的运行，必须是线程安全的

为了克服这个难题，CPython 在其发展的初期（上世纪 90 年代）选择了加一把全局大锁（GIL），所有涉及 Python 对象的操作（包括引用计数增减）都必须持有 GIL，同一时刻只有一个线程能持有 GIL，也就不可能出现并行修改，并且其达成简单，对单线程性能基本无影响

从本质上，GIL 是个懒人方案（也是最轻松的方案），用一把锁保护整个解释器，避免给每个对象加锁（那样开销太大）

---

OK，本篇先到这里，如有疑问，欢迎评论区留言讨论，祝各位功力大涨，技术更上一层楼！！！更多内容见下篇 blog
【Ubuntu】【Gitlab】拉出内网 Web 服务：http.server 单/多线程分析（七）