1. Python GIL 影响

在讲解之前，我们需要先理解一点，Python 解释器本身是一个 C 程序，Python 代码是由这个 C 程序来解释执行。

在 Python 解释器中使用多线程方式实现多任务，则 Python 解释器程序内部就会创建两个系统线程分别去解释执行 Python 的函数代码。

这看起来一切都正常，可问题出现了。由于一些历史原因，导致 Python 解释器内部的两个线程在执行多个 Python 函数代码时，存在资源竞争问题。

Python 解释器内部创建的线程执行一个 Python 函数代码，需要读写解释器内部的一些全局数据，此时，如果另外一个线程也在读写这些全局数据，就会导致 Python 代码执行异常。

所以，Python 解释器内部的线程不得已在每次执行 Python 函数代码时都需要先加上互斥锁，防止自己正在使用的全局数据被意外篡改，导致任务函数执行异常。

例如：当 Python 解释器的线程执行任务函数1时，会对共享资源加锁，当函数执行完毕、或者发生 IO 阻塞等待时，才会释放这把锁。与此同时，由于全局数据被加锁，导致线程2无法拿到全局数据的使用权，则没有办法执行任务函数2。

至此，你会发现，由于这把锁的存在，导致多线程并不能真正实现多个任务函数并行，而是交替执行。这个互斥锁就是所谓的全局解释器锁。

2. Python GIL 场景

Python 的多线程无法真正实现并行，也就无法利用多核 CPU 资源，看起来很鸡肋。那么，Python 的多线程真的就一无是处了吗？

并不是的，对于在执行过程中，频繁需要等待的 IO 密集型任务，多线程还是有一定的优势的。前面我们提到，当线程碰到 IO 操作时，线程会自动释放锁，让其他的任务函数执行，避免浪费 CPU 的时间资源。

例如：当线程1执行的 Python 代码中碰到 IO 操作，则会马上释放锁，相当于放弃这次的执行，线程2就会马上获得锁，并获得执行机会，而不是默默地等待，浪费 CPU 时间。

此外，如果你的程序是需要长时间连续计算的任务的计算密集型任务，建议使用多进程，因为多进程不受全局解释器锁的影响，能够充分利用多核 CPU 资源提升计算效率。

多进程本质上是创建多个独立的解释器执行多个 Python 函数代码。

最后，我们来总结下：

注意：Python 全局解释器锁只存在于官方的 CPython 解释器中。

至此，关于全局解释器锁就讲解完毕，希望对你有所帮助。