# encoding: utf-8 __author__ = 'zhanghe' import time import threading # 假定这是你的银行存款: balance = 0 lock = threading.Lock() def change_it(n): # 先存后取，结果应该为0: global balance balance = balance + n balance = balance - n def run_thread(n): for i in range(100000): change_it(n) def run_thread_lock(n): for i in range(100000): # 先要获取锁: lock.acquire() try: # 放心地改吧: change_it(n) finally: # 改完了一定要释放锁: lock.release() def run_without_lock(): """ 不带锁的主程序 :return: """ start_time = time.time() t1 = threading.Thread(target=run_thread, args=(5,)) t2 = threading.Thread(target=run_thread, args=(8,)) t1.start() t2.start() t1.join() t2.join() end_time = time.time() print end_time - start_time print balance def run_with_lock(): """ 带锁的主程序 :return: """ start_time = time.time() t1 = threading.Thread(target=run_thread_lock, args=(5,)) t2 = threading.Thread(target=run_thread_lock, args=(8,)) t1.start() t2.start() t1.join() t2.join() end_time = time.time() print end_time - start_time print balance if __name__ == '__main__': # 这是银行账户修改的简单例子，以下分别测试不加锁与加锁的运行情况 run_without_lock() # run_with_lock() ''' run_without_lock()运行结果： 0.209647893906 8（不固定） run_with_lock()运行结果： 0.441839933395 0 可以看出，在有全局变量的情况下，需要用锁机制防止修改过程中的冲突 这样一来，包含锁的某段代码实际上只能以单线程模式执行，效率就大大地下降了。 Python解释器由于设计时有GIL全局锁，导致了多线程无法利用多核。 多线程的并发在Python中就是一个美丽的梦。 多线程在Python中只能交替执行，即使100个线程跑在100核CPU上，也只能用到1个核。 Python虽然不能利用多线程实现多核任务，但可以通过多进程实现多核任务。 多个Python进程有各自独立的GIL锁，互不影响。 深入分析： 一个任务在执行的过程中大部分时间都在等待IO操作， 单进程单线程模型会导致别的任务无法并行执行， 因此，我们才需要多进程模型或者多线程模型来支持多任务并发执行。 现代操作系统对IO操作已经做了巨大的改进，最大的特点就是支持异步IO 如果充分利用操作系统提供的异步IO支持，就可以用单进程单线程模型来执行多任务， 这种全新的模型称为事件驱动模型，Nginx就是支持异步IO的Web服务器， 它在单核CPU上采用单进程模型就可以高效地支持多任务。 在多核CPU上，可以运行多个进程（数量与CPU核心数相同），充分利用多核CPU。 由于系统总的进程数量十分有限，因此操作系统调度非常高效。 处理多任务推荐的做法是： 多进程 + 协程 '''