Python 多线程的思考

作者：许健

导语

在知乎等地方经常看到有人问，Python 的多线程是不是鸡肋？为何我用多线程性能一点没有提升，有时候性能反而下降？在这里通过日常工作中遇到的问题以及自己的一些总结，来一探 Python 多线程究竟是不是鸡肋；如果不是，那又该如何使用。

1、遇到的问题

工作中常用到 python 来分析文件，统计数据；随着业务的发展，原先的代码性能受到了一定的挑战，下面根据两个案例来讲解在 python 的使用过程中，遇到的一些问题，以及自己的一些总结。

案例一：数据统计，将文件按照一定的逻辑统计汇总后，入库到本地 db 中。

最开始的代码流程框图：

大概流程：

1、循环读文件，按照一定格式将文本进行拆分计算；

2、根据指定的 key 来统一汇总数据；

3、入库本地 DB，入库时，会先查找 db 中是否存在这条记录，然后再判断是否插入 db 中；相当于这里会有两次 db 操作，一次查询，一次写入。

一开始业务量小，db 数据量少，整个流程耗时较短，在秒级能够完成，随着业务发展，所需时间也有秒级变成了分钟级，十分钟级别等。

测试 1

通过对其中的一个业务某天的数据进行测试，它的耗时主要分部为，读文件（文件大小 1G 左右）耗时 2 秒，逻辑计算及汇总 58s，数据入库 32s；总耗时大概在 1 分半钟。

1.1 方案一

流水线形式的多线程

线程１负责读取数据，然后通过 python 自带的 Qeueue，Q1 传递数据给线程 2；

线程 2 负责逻辑计算，然后通过 Q2 传递数据给线程 3；

线程 3 负责汇总数据，然后通过 Q3 传递数据给线程 4；

线程 4 则入库数据；

这个方案在实现之后立马就被废弃了，它的效率比单进程的效率低很多，通过查看系统调用之后，发现是因为多个线程一直在竞争锁，以及线程切换导致其执行效率还不如单线程。

1.2 方案二

数据分片分段多线程

在不同的时机采用多线程来处理，同时尽量避免多线程对同一资源进行竞争，以减少锁的切换带来的消耗。因此这里在逻辑计算和数据入库阶段分别采用数据分组，多线程执行的方式来进行处理。

分段一、逻辑计算和汇总，将内存读到内存中后，按照线程数量，将数据切分成多块，让第 i 个线程 thread[i]处理第 i 份数据 data[i]，最后再将计算得到的 4 份数据汇总，按照相同的 key 进行汇总；得到 sum_data。

分段二、将 sum_data 按照线程数量，切分成多份，同样让 thread[i]处理 sum_data[i]的数据，让他们各自进行数据的查询以及写入操作。

测试 2

对同一个文件进行测试，读文件耗时 2 秒，逻辑计算及汇总 62s，数据入库 10s；总耗时大概在 70 多秒，相比最开始的单线程，时间大概下降了 20 多 s；但可以看出，逻辑计算的时间相比单线程确增加了不少，而入库操作的时间减少了 20 多 s；这里就引发一个问题，逻辑计算跟入库的差异在哪里？为何前面的多线程性能下降，而后面性能确大幅度提高。

这里的原因究竟为何？

案例二

案例 2 的整体流程为，将几份不同的数据源从 db 中取出来，按天取出，经过一定的整合后，汇总插入到一个目标 db 中。

一开始的代码流程：

同样最初的时候，需要整合的数据量较少，db 中的数据量也较少。随着业务增长，每天需要处理的数据量也逐渐增加，并且 db 中的数据量也越来越大，处理的时间也从开始的秒级别也逐渐增加到分钟级别，每次都是统一处理一个月的数据，整体耗时需要几个小时。

测试 3

对某天的数据进行测试，结果为：取数据 整合 耗时 30s；插入数据耗时约 8 分钟。

更改成以下模型：

入库操作同样需要先根据 key 查找当前 db 中是否存在该条数据，不存在则写入。

测试 4

取数据 整合 耗时 30s；插入数据耗时约 2 分钟。

更改之后性能大幅度提升，由原先的 8 分半钟，缩减为不到 2 分半钟左右，缩减的时间主要体现在入库阶段；

从以上两个例子可以看到，当涉及 I/0 操作时，python 的多线程能发挥较好的性能；而当涉及到 CPU 密集型逻辑运算时，python 的多线程性能不升反降。这里都是由于 python 的 GIL 在发挥的作用。

2、了解 python 的 GIL

这里我们使用的解释器为官方实现的 CPython，它是由 C 语言实现的 python 解释器。同时还存在由 Java 实现的 Jython 解释器，由.NET 实现的 IronPython 等解释器。这里我们主要是依据 CPython 来讲解 GIL 锁。

GIL，全称 Global Interpreter Lock， 是一个全局解释器锁，当解释器需要执行 python 代码时，都必须要获得这把锁，然后才能执行。当解释器在遇到到 I/O 操作时会释放这把锁。但如果当程序为 CPU 密集型时，解释器会主动的每间隔 100 次操作就释放这把 GIL 锁，这样别的线程有机会执行，具体的间隔次数是由 sys.setcheckinterval( number ) 来设定这个值，通过 sys.getcheckinterval() 返回这个值，默认为 100。所以，尽管 Python 的线程库直接封装操作系统的原生线程，但 Python 进程，在同一时间只会有一个获得了 GIL 的线程在跑，其它的线程都处于等待状态等着 GIL 的释放。就这样对于 CPU 密集型操作来说，多线程不但不会提升性能，还会因为线程切换，锁竞争等导致性能的下降。

在我们上面的两个例子中，当涉及到数据的查询与插入时，都需要进行 I/O 交互，并且会等待数据库服务器返回，这个时候，线程会主动释放锁，其他线程能够合理利用这个时间，来做同样的事情。

知道了 GIL 之后，我们才能更加合理的使用 python 的多线程，并不是所有场景都适用于多线程。

同样，Python 的多线程也并不是大家所说的鸡肋，在适合的场景用上了，还是能够起到惊艳的作用。