Python 并行計算的那點事（第1部分）（The Python Concurrency Story - Part 1）
英文原文：https://powerfulpython.com/blog/python-concurrency-story-pt1/
本文：https://www.cnblogs.com/popapa/p/python_concurrency1.html
采集日期：2021-05-02
以撰寫軟體為業有一件事很不錯，就是能讓人保持謙卑，我一度以為自己很聰明，并對此有點洋洋自得，直到開始每天寫代碼的日子，才發現并非如此，海森堡 Bug（Heisenbug）就像一個小瘟神一般，靜靜地等著我狂妄自大的那一刻，，，突然一個 Bug 就被我放了進來，為了找到它花了3個小時，修復卻只消1行代碼，
當然，對于很多人來說，能讓我們保持謙卑的緣由就是并行計算（Concurrency），從現在開始，無論對并行計算喜歡與否，作為專業的軟體工程師，我們都不得不對它做出妥善的考慮和理解，這就需要研發出一些思維模型，能夠對其進行清晰地演繹，并且掌握一些為了完成作業所必需的軟體工具，理想情況下，還能漸漸學會少發生一些那種找找3小時、修修1行代碼的 Bug，
雖然基本原理是通用的，但軟體如何實作在很大程度上取決于所用的開發語言，為了實作并行計算，每種開發語言都有著各自的抽象、語法和支持庫，本文介紹 Python 的并行計算，，，從某種意義上說，這是一種世界觀，用來處理同時發生的多件事情，在21世紀，了解并行計算的來龍去脈能讓您獲益匪淺，
對并行計算表現能力最強大的可能就是 C 語言了[1]，用 C 語言實作的并行計算，能夠真正挑戰計算機的物理極限，因為可以利用一些非常底層的系統呼叫，類似于 Linux 中的clone()，其實那就是用來實作執行緒的，有了這些利器，相當于掌控了整臺虛擬設備！
高級語言通常不會給出那么高的自由度，以便換取很多其他的便利，比如，普通的 PHP 根本不允許創建執行緒，并且在行程級別上干活的作業量會很大，謝天謝地，現在不是用 PHP 撰寫代碼，而是用 Python，它自帶了一套很有意思的并行計算體系，只要完全理解了這套體系，您就會成為全球排名前1％的 Python 程式員，
為了實作上述目標，有必要真正弄明白由現代作業系統提供給 Python 使用的并發原語（Primitive），理解了這一點，不僅會讓您成為更好的 Python 程式員，還將提升您這輩子所有語言的開發水平，
太酷了吧！興奮嗎？我就很興奮，那就開始吧！
（順便說一句，最讓人興奮的部分是深入探討何時執行緒不是真正的執行緒，您到時候自然就明白了，）
行程和執行緒（Processes and Threads）
就從基礎知識開始吧，現代作業系統為執行執行緒提供了兩種組織方式，行程就是一個正在運行的程式，執行緒是行程中的活動單位，這就為如何實作并行計算提供了兩種基本的選擇：N個行程或N個執行緒，
如果做些深入的了解，執行緒和行程確實有很多相似之處，其實在 Linux 中，之前提到的系統呼叫 clone() 既可以用于創建行程，也可以用來創建執行緒，只要呼叫函式時提供不同的引數即可，
在實操時，兩者的主要區別在于共享和不共享的東西不同，如果一個行程創建了兩個子行程，則每個子行程都擁有自己的記憶體，沒有什么共享的東西，（默認如此，有引數可以進行修改，）而新的執行緒不僅會共享其父行程的記憶體，還會共享檔案描述符、檔案系統的背景關系和信號處理程序，
采用多執行緒而不是多行程，有一些實實在在的好處，執行緒在記憶體占用方面要輕量得多，同樣是守護程式，相比生成10個執行緒而言，顯然生成10個不共享記憶體的子行程會占用更多的記憶體空間，此外，執行緒之間的通信和同步都比行程要簡單，根據定義，行程間的任何通信都要用到 IPC 呼叫，因此還會帶來切入內核態的開銷，當然可以在行程之間共享記憶體，但作業量要比執行緒多些[2]，
執行緒的悲哀（The Tragedy of Threads）
簡而言之，在多執行緒和多行程這兩個并行模型中，理論上用執行緒可以寫出性能更高的應用程式，
哦哦，我說的只是“理論上”吧？沒錯，我們會被帶到溝里去：撰寫無錯的多執行緒代碼非常困難，您會遭遇各種微妙的、令人困惑的 Bug，想要很容易就重現這些 Bug 需要靠運氣，不走運的話就難了，競態條件（Race Condition）、死鎖（Deadlock）、活鎖（Live Lock）等等，還有很多，
解決這些問題的代價就是耗費開發時間，安全的執行緒編程涉及到規范地使用同步原語（Synchronization Primitive），諸如鎖和互斥鎖（Mutex），作為一名優秀的軟體工程師，這是應付不時之需的工具包（如果您還沒有的話），但不必這么做總還是最好的，
（等等，這是前兆嗎？我覺得是吧，，，）
此外還需要考慮一點，也是 Python 所特有的：Python 的執行緒并不完全像它看上去的那樣，
何時執行緒不是真正的執行緒（When Threads Aren't Really Threads）
上述執行緒實際上指的是作業系統執行緒（OS Thread），在用 C 語言撰寫程式時，呼叫pthread_create（OS X，Linux）或CreateThread（Windows）即可獲得這種執行緒，這是真正的執行緒，是由作業系統內核分配和管理的，但如果用 Python 這種高級語言創建執行緒，就不一定了，至少不完全是，
在較新版的 Python 中，只要線創建threading.Thread的實體，然后呼叫其start()方法即可啟動執行緒，已啟動的執行緒確實分到了一個獨立的作業系統執行緒，在大多數平臺上確實如此[3]，兩者的區別在于：兩個作業系統執行緒可以同時運行，以充分利用各自獨立的核心或 CPU，但一般情況下兩個 Python 執行緒卻無法同時運行，
這是全域解釋器鎖導致的，也即 GIL，標準 Python 中存在一種機制，同時只允許1個執行緒運行 Python 位元組碼[4]，即便是在128核的野獸級機器上運行，標準的多執行緒 Python 程式在任一時刻也只能用到其中1個核，[5]
乍一看這似乎很糟糕，但事實證明，對于大部分工程領域而言，GIL 根本就不算什么重大限制，就純粹的 CPU 性能而言[6]，Python 的執行緒確實有些不如作業系統執行緒，不過 Python 行程完全不受 GIL 的影響，行程就是我們的出路，也是拯救處理器受限（CPU-Bound）任務的出路，第2部分將會討論行程，
其實匯編語言的表現能力更強，不過當前很少有人需要用到這么底層的東西了，在可能遭遇的情形下，C 的并行計算能力幾乎一樣強大， ??
在較新的 Linux 中，我知道的最佳方案是
mmap()，當然其他幾種機制也是可行的， ??某些內核不支持執行緒的作業系統除外，我希望您不必為此擔心， ??
引入 GIL 是一個非常好的決定，這樣解釋器的實作難度就降低了數量級，同時在通常的單執行緒情況下又維持住了性能，別忘了，Python 是由志愿者提供的， ??
其實這只說對了大約98％，解決方案有很多，具體取決于您愿意投入多大的精力，用 C 或 C++撰寫的擴展模塊可以臨時釋放 GIL，因此，像 numpy 這樣的軟體包并不受單核運行的限制，
而且，至少還有其他 Python 解釋器（Jython、IronPython、PyPy）具有實驗性的不帶 GIL 的分支（Branch）發布，不過對于您實際撰寫的純 Python 代碼，超過99％都只能完全用足一個 CPU 核， ??當然，那些并沒有接近 CPU 極限的執行緒，可以采用一些非常有用的編程模式，因此 GIL 甚至都無需多慮，建立一個回應式（Responsive）UI 就是個很好的例子：主執行緒可以迅速地賣力干活，而輔助執行緒則負責監測用戶的輸入、停止計算或執行其他操作， ??
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/282520.html
標籤：Python
下一篇：Python 極速入門指南