什么是GIL锁，有什么作用？python的垃圾回收机制是什么样的？解释为什么计算密集型用多进程，io密集型用多线程。

1 什么是gil锁，有什么作用？
2 python的垃圾回收机制是什么样的？
3 解释为什么计算密集型用多进程，io密集型用多线程。
什么是I/O

1 什么是gil锁，有什么作用？

1 GIL：Global Interpreter Lock又称全局解释器锁。本质就是一个互斥锁，
2 保证了cpython进程中得每个线程必须获得这把锁才能执行，不获得不能执行
3 使得在同一进程内任何时刻仅有一个线程在执行
4 gil锁只针对于cpython解释器----》
	JPython
	PyPy
	CPython

***作用：***
	1 保护Python对象免受多线程并发访问的破坏。
	2 确保在多线程环境中只有一个线程执行Python字节码。
	3 GIL的存在使得在CPU密集型任务中，Python的多线程并不能充分发挥多核CPU的优势。
	  因为只有一个线程能够执行字节码，其他线程会被阻塞。

***为什么要有gil锁？***
	python是动态强类型语言，因为有垃圾回收机制，如果同一个进程下有多个线程同时在执行，
	垃圾回收是垃圾回收线程【同一个进程下变量是共享的】，该线程做垃圾回收时，如果其他线程在运行，
	就可能会出并发安全的问题【数据安全的问题】，由于当时，只有单核cup【即便开启多线程，同一时刻，
	也只有一个线程在运行】，作者就强行做了一个GIL锁，保证在一个进程内，同一时刻只有一个线程执行，
	目的是为了防止垃圾回收线程做垃圾回收时，出现数据紊乱问题，所以加了gil锁
	
	**垃圾回收**是垃圾回收线程，它在执行的时候，其他线程是不能执行的，而限于当时的条件，
		只有单核cpu，所以作者直接做了个GIL锁，保证一个进程内同一时刻只有一个线程在执行。


1. **引用计数：** Python 中确实使用引用计数为主要的内存管理机制。每个对象都有一个引用计数，
	当引用计数为 0 时，对象的内存会被释放。引用计数是线程安全的，但在多线程环境下，
	其增减并不是原子操作，因此会存在一些复杂的情况。GIL（Global Interpreter Lock）
	只是确保在同一时刻只有一个线程执行 Python 字节码，而不是在 C 代码层面保护引用计数的操作。

2. **标记清除和隔代回收：** 当引用计数无法解决循环引用等情况时，Python 使用标记清除和隔代回收
	来解决这些问题。这是针对一些特殊情况的辅助机制。

3. **GIL：** 全局解释器锁（Global Interpreter Lock）是为了在 CPython 解释器中保护内存管理的
	机制。它确保在同一时刻只有一个线程能够执行 Python 字节码。GIL 并不是 Python 语言本身的一部
	分，而是 CPython 解释器的特定实现。对于 CPU 密集型任务，GIL 可能会成为性能瓶颈。

4. **多线程和引用计数的问题：** 多线程并不会导致引用计数的问题。引用计数是线程安全的，因为它是
	CPython 解释器的内部实现。在多线程环境下，GIL 的存在确保了只有一个线程执行 Python 字节码，
	这意味着对于引用计数的增减操作是原子的。不同线程对同一资源的引用计数操作是协同的，不会导致不
	一致的情况。

总体而言，引用计数是 Python 内存管理的核心，但 GIL 和其他机制确实为特定情况提供了帮助。
在多线程环境下，GIL 的存在可能对并行性能产生一些限制，特别是对于 CPU 密集型任务。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

import threading

# 共享变量
counter = 0

def count_up():
    global counter
    for _ in range(1000000):
        counter += 1

def count_down():
    global counter
    for _ in range(1000000):
        counter -= 1

# 创建两个线程分别执行计数操作
t1 = threading.Thread(target=count_up)
t2 = threading.Thread(target=count_down)

# 启动线程
t1 .start()
t2.start()

# 等待两个线程执行完成
t1 .join()
t2.join()

print("Counter:", counter)

在上述代码中，我们有两个线程，一个递增 counter，一个递减 counter。
理论上，counter 的最终值应该是 0。但是由于GIL的存在，多线程并发执行时，由于GIL的保护，
实际上可能并不会得到正确的结果。在这个例子中，counter 的最终值可能不是 0，
因为两个线程在修改 counter 时可能会发生竞争条件。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

2 python的垃圾回收机制是什么样的？

1 参考文章：
	https://www.jianshu.com/p/52ab26890114
	
2 什么是垃圾回收？
	编程语言在运行过程中会定义变量--->申请了内存空间---》后期变量不用了---》这个内存空间应该
	释放掉，有些编程语言，这个操作，需要程序员自己做(c)，像java，python，go这些语言，
	都自带垃圾回收机制，可以自动回收内存空间，gc机制。

3 不同语言垃圾回收的方式是不一样的，python是使用如下三种方式做gc，以引用计数为主，
	标记-清除和分代回收两个算法为辅
	(1)引用计数算法(reference counting)：
	每个对象都有一个引用次数的计数属性，如果对象被引用了，那这个数就会 加1，如果引用被删除，
	引用计数就会 减1，那么当该对象的引用计数为0时，就说明这个对象没有被使用，垃圾回收线程就会
	把它回收掉，释放内存。
	   -有问题：循环引用问题---》回收不了
	   
	(2) 标记-清除算法(Mark and Sweep)：
	-解决引用计数无法回收循环引用的问题
	   对象之间通过引用连在一起，节点就是各个对象，从一个根对象向下找对象，可以到达的标记为
	   活动对象，不能到达的是非活动对象，而非活动对象就是需要被清除的。
	
	(3) 分代回收算法(Generational garbage collector)：
	-分代回收是解决垃圾回收效率问题
	   算法原理是Python把对象的生命周期分为三代，分别是第0代、第1代、第2代。每一代使用双向链表
	   来标记这些对象。每一代链表都有总数阈值，当达到阈值的时候就会出发GC回收，将需要清除的
	   清除掉，不需要清除的移到下一代。以此类推，第2代中的对象存活周期最长的对象。

   
注意：python垃圾回收最核心是：
	引用计数----》标记清除解决引用计数的循环引用问题---》分代回收解决垃圾回收的效率问题。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

import gc

# 创建一个循环引用的对象
class CircularReference:
    def __init__(self):
        self.circular_ref = None

# 创建循环引用
obj1 = CircularReference()
obj2 = CircularReference()
obj1.circular_ref = obj2
obj2.circular_ref = obj1

# 手动断开引用，使引用计数变为零
obj1 = None
obj2 = None

# 手动触发垃圾回收
gc.collect()

# 由于循环引用，垃圾回收器会将它们回收
print(gc.garbage)


在上述代码中，`CircularReference` 类创建了两个对象 `obj1` 和 `obj2`，
它们相互引用形成了循环引用。当手动断开对 `obj1` 和 `obj2` 的引用后，手动调用 `gc.collect()` 
来触发垃圾回收。垃圾回收器会检测到这个循环引用并将其回收。回收后，`gc.garbage` 列表中将包含被
回收的对象，我们可以通过查看这个列表来确认回收是否成功。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

3 解释为什么计算密集型用多进程，io密集型用多线程。

---》只针对于cpython解释器(其他语言，都开多线程即可，能够利用多核优势)
	-计算是消耗cpu的：代码执行，算术，for都是计算
    -io不消耗cpu：打开文件，写入文件，网络操作都是io
    	-如果遇到io，该线程会释放cpu的执行权限，cpu转而去执行别的线程

    -由于python有gil锁，开启多条线程，同一时刻，只能有一条线程在执行
    -如果是计算密集型，开了多线程，同一时刻，只有一个线程在执行
    -多核cpu，就会浪费多核优势
    -如果是计算密集型，我们希望，多个核(cpu),都干活，同一个进程下绕不过gil锁
    -所以我们开启多进程，gil锁只能锁住某个进程中得线程，开启多个进程，就能利用多核优势
    
    
    -io密集型---》只要遇到io，就会释放cpu执行权限
    -进程内开了多个io线程，线程多半都在等待，开启多进程是不能提高效率的，反而开启进程很耗费资源，所以使用多线程即可
    
    
    
    
    
# web 开发，io多(数据库查数据就是io)，开启多线程，明显提高执行效率
	-uwsgi：进程线程架构---》进程4---》进程下再开线程
    -同一时刻，能允许多少人同时访问---》取决于---》4*线程数
    -同一时刻，一个线程只能处理一个请求
    
    
    -异步框架，提高并发量	
    	-一个线程可以处理多个请求

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

什么是I/O

I/O，即输入/输出，是指计算机与外部世界进行交互的过程。在计算机科学中，
I/O 操作是与外部设备（如磁盘、网络、显示器、键盘等）进行数据交换的一种机制。
I/O 操作可以分为两大类：

阻塞 I/O（Blocking I/O）： 在进行 I/O 操作时，程序会被阻塞（暂停执行），直到 I/O 操作完成。
这意味着程序将等待数据准备好或者数据传输完成，期间不能执行其他任务。

非阻塞 I/O（Non-blocking I/O）： 在进行 I/O 操作时，程序不会被阻塞，而是可以继续执行其他任务。
程序需要通过轮询或回调等机制来检查 I/O 操作是否完成。

I/O 操作是计算机程序中常见的操作，因为程序通常需要与外部设备或其他程序进行数据交互。
以下是一些关键概念，有助于理解 I/O：

文件 I/O： 涉及到文件的读取和写入操作。这是最基本的 I/O 操作，通常通过文件描述符或文件句柄进行。
网络 I/O： 通过网络进行数据传输，包括套接字编程和网络协议的使用。
设备 I/O： 涉及到硬件设备的输入和输出，如打印机、显示器、键盘等。
同步 I/O： 程序在进行 I/O 操作时会被阻塞，直到 I/O 完成。
异步 I/O： 程序在进行 I/O 操作时可以继续执行其他任务，通过回调或事件通知来处理 I/O 完成。
缓冲 I/O 和直接 I/O： 缓冲 I/O 使用缓冲区进行数据传输，而直接 I/O 直接在用户内存和设备之间传输数据。

理解 I/O 对于编写高性能和响应性良好的程序至关重要。在处理 I/O 时，需要考虑到数据的传输效率、
错误处理、并发性等方面的问题。异步 I/O 操作常用于构建高性能的、能够同时处理多个任务的应用程序。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

计算密集型任务使用多进程

import multiprocessing

def calculate_square(numbers):
    result = []
    for number in numbers:
        result.append(number * number)
    print("Result (in process):", result)

if __name__ == "__main__":
    numbers = list(range(1, 6))
    
    # 使用多进程
    process = multiprocessing.Process(target=calculate_square, args=(numbers,))
    process.start()
    process.join()

    print("Main process continues...")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

I/O密集型任务使用多线程

import threading
import time

def simulate_io_operation():
    print("Start I/O operation...")
    time.sleep(2)  # 模拟I/O操作，比如文件读写或网络请求
    print("I/O operation completed.")

if __name__ == "__main__":
    # 使用多线程
    t1= threading.Thread(target=simulate_io_operation)
    t2= threading.Thread(target=simulate_io_operation)

    t1.start()
    t2.start()

    t1.join()
    t2.join()

    print("Main thread continues...")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

在这两个例子中，计算密集型任务使用了多进程，而I/O密集型任务使用了多线程。这是因为计算密集型任务中的 GIL 限制了多线程的效果，而I/O密集型任务中可以充分利用多线程的并发性。