通过这一节的学习，希望大家能够理解下面几个问题：

1. Python 全局解释器锁到底是什么？
2. Python 全局解释器锁如何影响多线程？
3. Python 全局解释器锁的应用场景？

1. GIL 的影响

在讲解之前，我们先要理解一点：Python 解释器本身是一个 C 程序，Python 代码是由这个 C 程序来解释执行的。

当我们在 Python 解释器中用多线程的方式实现多任务时，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，可问题来了。由于一些历史原因，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在执行一个 Python 函数代码时，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。

举个例子。当 Python 解释器的线程执行任务函数 1 时，会对共享资源加锁，等函数执行完毕、或者发生 IO 阻塞等待时，才会释放这把锁。与此同时，由于全局数据被加了锁，线程 2 就拿不到全局数据的使用权，也就没办法执行任务函数 2。

至此你会发现，由于这把锁的存在，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（GIL）。

2. GIL 应用场景

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。对于那些在执行过程中频繁需要等待的 IO 密集型任务，多线程还是有一定优势的。前面我们提到，当线程碰到 IO 操作时，会自动释放锁，让其他任务函数执行，避免浪费 CPU 的时间资源。

举个例子。当线程 1 执行的 Python 代码中碰到 IO 操作，就会马上释放锁，相当于放弃这次的执行。线程 2 就会马上获得锁、获得执行机会，而不是在那里默默等待，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 资源来提升计算效率。

多进程的本质，是创建多个独立的解释器来执行多个 Python 函数代码。

最后，我们来总结一下：

1. Python 全局解释器锁（Global Interpreter Lock，GIL）是一个存在于解释器中的互斥锁。
2. 由于全局解释器锁的存在，Python 多线程无法实现真正的并行计算。
3. 对于 IO 密集型任务，Python 多线程具有一定的优势。
4. 对于 CPU 密集型任务，Python 多进程更加适合。

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。