查看原文
其他

GIL 已经被杀死了么?

豌豆花下猫 Python猫 2019-05-20

花下猫语:Python 中最广为人诟病的一点,大概就是它的 GIL 了。由于 GIL 的存在,Python 无法实现真正的多线程编程,因此很多人都把这视作 Python 最大的软肋。

PEP-554 提出后(2017年9月),大伙似乎看到了一线改善的曙光。然而,GIL 真的可以被彻底杀死么,如果可以的话,它会怎么实现呢,为什么等了一年多还没实现,仍需要我们等待多长时间呢?

图片来源:pexels

英文  | Has the Python GIL been slain?【1】

作者  | Anthony Shaw

译者  | 豌豆花下猫

声明本文获得原作者授权翻译,转载请保留原文出处,请勿用于商业或非法用途。

2003 年初,Intel 公司推出了全新的奔腾 4 “HT” 处理器,该处理器的主频(译注:CPU 内核工作的时钟频率)为 3 GHz,采用了“超线程”技术。

在接下来的几年中,Intel 和 AMD 激烈竞争,通过提高总线速度、L2 缓存大小和减小芯片尺寸以最大限度地减少延迟,努力地实现最佳的台式机性能。3Ghz 的 HT 在 2004 年被“Prescott”的 580 型号取代,该型号的主频高达 4 GHz。

似乎提升性能的最好方法就是提高处理器的主频,但 CPU 却受到高功耗和散热会影响全球变暖的困扰。

你电脑上有 4Ghz 的 CPU 吗?不太可能,因为性能的前进方式是更高的总线速度和更多的内核。Intel 酷睿 2 代在 2006 年取代了奔腾 4 ,主频远低于此。

除了发布消费级的多核 CPU,2006 年还发生了其它事情,Python 2.5 发布了!Python 2.5 带来了人见人爱的 with 语句的 beta 版本 。

在使用 Intel 的酷睿 2 或 AMD 的 Athlon X2 时,Python 2.5 有一个重要的限制——GIL

什么是 GIL?

GIL 即全局解释器锁(Global Interpreter Lock),是 Python 解释器中的一个布尔值,受到互斥保护。这个锁被 CPython 中的核心字节码用来评估循环,并调节用来执行语句的当前线程。

CPython 支持在单个解释器中使用多线程,但线程们必须获得 GIL 的使用权才能执行操作码(做低级操作)。这样做的好处是,Python 开发人员在编写异步代码或多线程代码时,完全不必操心如何获取变量上的锁,也不需担心进程因为死锁而崩溃。

GIL 使 Python 中的多线程编程变得简单。

GIL 还意味着虽然 CPython 可以是多线程的,但在任何给定的时间里只能执行 1 个线程。这意味着你的四核 CPU 会像上图一样工作 (减去蓝屏,但愿如此)。

当前版本的 GIL 是在2009年编写的 【2】,用于支持异步功能,几乎没被改动地存活了下来,即使曾经多次试图删除它或减少对它的依赖。

所有提议移除 GIL 的诉求是,它不应该降低单线程代码的性能。任何曾在 2003 年启用超线程(Hyper-Threading)的人都会明白为什么 这很重要 【3】。

在 CPython 中避免使用 GIL

如果你想在 CPython 中使用真正的并发代码,则必须使用多进程。

在 CPython 2.6 中,标准库里增加了multiprocessing模块。multiprocessing 是 CPython 大量产生的进程的包装器(每个进程都有自己的GIL)——

from multiprocessing import Process

def f(name):
    print 'hello', name

if __name__ == '__main__':
    p = Process(target=f, args=('bob',))
    p.start()
    p.join()

进程可以从主进程中“孵出”,通过编译好的 Python 模块或函数发送命令,然后重新纳入主进程。

multiprocessing 模块还支持通过队列或管道共享变量。它有一个 Lock 对象,用于锁定主进程中的对象,以便其它进程能够写入。

多进程有一个主要的缺陷:它在时间和内存使用方面的开销很大。CPython 的启动时间,即使没有非站点(no-site),也是 100-200ms(参见 这个链接 【4】)。

因此,你可以在 CPython 中使用并发代码,但是你必须仔细规划那些长时间运行的进程,这些进程之间极少共享对象。

另一种替代方案是使用像 Twisted 这样的三方库。

PEP-554 与 GIL 的死亡?

小结一下,CPython 中使用多线程很容易,但它并不是真正的并发,多进程虽然是并发的,但开销却极大。

有没有更好的方案呢?

绕过 GIL 的线索就在其名称中,全局 解释器 锁是全局解释器状态的一部分。 CPython 的进程可以有多个解释器,因此可以有多个锁,但是此功能很少使用,因为它只通过 C-API 公开。

在为 CPython 3.8 提出的特性中有个 PEP-554,提议实现子解释器(sub-interpreter),以及在标准库中提供一个新的带有 API 的 interpreters  模块。

这样就可以在 Python 的单个进程中创建出多个解释器。Python 3.8 的另一个改动是解释器都将拥有单独的 GIL ——

因为解释器的状态包含内存分配竞技场(memory allocation arena),即所有指向 Python 对象(局地和全局)的指针的集合,所以 PEP-554 中的子解释器无法访问其它解释器的全局变量。

与多进程类似,在解释器之间共享对象的方法是采用 IPC 的某种形式(网络、磁盘或共享内存)来做序列化。在 Python 中有许多方法可以序列化对象,例如 marshal 模块、 pickle 模块、以及像 jsonsimplexml 这样更标准化的方法 。这些方法褒贬不一,但无一例外会造成额外的开销。

最佳方案是开辟一块共享的可变的内存空间,由主进程来控制。这样的话,对象可以从主解释器发送,并由其它解释器接收。这将是 PyObject 指针的内存管理空间,每个解释器都可以访问它,同时由主进程拥有对锁的控制权。

这样的 API 仍在制定中,但它可能如下所示:

import _xxsubinterpreters as interpreters
import threading
import textwrap as tw
import marshal

# Create a sub-interpreter
interpid = interpreters.create()

# If you had a function that generated some data
arry = list(range(0,100))

# Create a channel
channel_id = interpreters.channel_create()

# Pre-populate the interpreter with a module
interpreters.run_string(interpid, "import marshal; import _xxsubinterpreters as interpreters")

# Define a
def run(interpid, channel_id):
    interpreters.run_string(interpid,
                            tw.dedent("""
        arry_raw = interpreters.channel_recv(channel_id)
        arry = marshal.loads(arry_raw)
        result = [1,2,3,4,5] # where you would do some calculating
        result_raw = marshal.dumps(result)
        interpreters.channel_send(channel_id, result_raw)
        """
),
               shared=dict(
                   channel_id=channel_id
               ),
               )

inp = marshal.dumps(arry)
interpreters.channel_send(channel_id, inp)

# Run inside a thread
t = threading.Thread(target=run, args=(interpid, channel_id))
t.start()

# Sub interpreter will process. Feel free to do anything else now.
output = interpreters.channel_recv(channel_id)
interpreters.channel_release(channel_id)
output_arry = marshal.loads(output)

print(output_arry)

此示例使用了 numpy ,并通过使用 marshal 模块对其进行序列化来在通道上发送 numpy 数组 ,然后由子解释器来处理数据(在单独的 GIL 上),因此这会是一个计算密集型(CPU-bound)的并发问题,适合用子解释器来处理。

这看起来效率低下

marshal 模块相当快,但仍不如直接从内存中共享对象那样快。

PEP-574 提出了一种新的 pickle  【5】协议(v5),它支持将内存缓冲区与 pickle 流的其余部分分开处理。对于大型数据对象,将它们一次性序列化,再由子解释器反序列化,这会增加很多开销。

新的 API 可以( 假想 ,并没有合入)像这样提供接口:

import _xxsubinterpreters as interpreters
import threading
import textwrap as tw
import pickle

# Create a sub-interpreter
interpid = interpreters.create()

# If you had a function that generated a numpy array
arry = [5,4,3,2,1]

# Create a channel
channel_id = interpreters.channel_create()

# Pre-populate the interpreter with a module
interpreters.run_string(interpid, "import pickle; import _xxsubinterpreters as interpreters")

buffers=[]

# Define a
def run(interpid, channel_id):
    interpreters.run_string(interpid,
                            tw.dedent("""
        arry_raw = interpreters.channel_recv(channel_id)
        arry = pickle.loads(arry_raw)
        print(f"Got: {arry}")
        result = arry[::-1]
        result_raw = pickle.dumps(result, protocol=5)
        interpreters.channel_send(channel_id, result_raw)
        """
),
                            shared=dict(
                                channel_id=channel_id,
                            ),
                            )

input = pickle.dumps(arry, protocol=5, buffer_callback=buffers.append)
interpreters.channel_send(channel_id, input)

# Run inside a thread
t = threading.Thread(target=run, args=(interpid, channel_id))
t.start()

# Sub interpreter will process. Feel free to do anything else now.
output = interpreters.channel_recv(channel_id)
interpreters.channel_release(channel_id)
output_arry = pickle.loads(output)

print(f"Got back: {output_arry}")

这看起来像极了很多样板

确实,这个例子使用的是低级的子解释器 API。如果你使用了多进程库,你将会发现一些问题。它不像 threading 那么简单,你不能想着在不同的解释器中使用同一串输入来运行同一个函数(目前还不行)。

一旦合入了这个 PEP,我认为 PyPi 中的其它一些 API 也会采用它。

子解释器需要多少开销?

简版回答  :大于一个线程,少于一个进程。

详版回答 :解释器有自己的状态,因此虽然 PEP-554 可以使创建子解释器变得方便,但它还需要克隆并初始化以下内容:

  • main 命名空间与 importlib 中的模块

  • sys 字典的内容

  • 内置的方法(print、assert等等)

  • 线程

  • 核心配置

核心配置可以很容易地从内存克隆,但导入的模块并不那么简单。在 Python 中导入模块的速度很慢,因此,如果每次创建子解释器都意味着要将模块导入另一个命名空间,那么收益就会减少。

那么 asyncio 呢?

标准库中 asyncio 事件循环的当前实现是创建需要求值的帧(frame),但在主解释器中共享状态(因此共享 GIL)。

在 PEP-554 被合入后,很可能是在 Python 3.9,事件循环的替代实现 可能 是这样(尽管还没有人这样干):在子解释器内运行 async 方法,因此会是并发的。

听起来不错,发货吧!

额,还不可以。

因为 CPython 已经使用单解释器的实现方案很长时间了,所以代码库的许多地方都在使用“运行时状态”(Runtime State)而不是“解释器状态”(Interpreter State),所以假如要将当前的 PEP-554 合入的话,将会导致很多问题。

例如,垃圾收集器(在 3.7 版本前)的状态就属于运行时。

PyCon sprint 期间(译注:PyCon 是由 Python 社区举办的大型活动,作者指的是官方刚在美国举办的这场,时间是2019年5月1日至5月9日。sprint 是为期 1-4 天的活动,开发者们自愿加入某个项目,进行“冲刺”开发。该词被敏捷开发团队使用较多,含义与形式会略有不同),更改已经开始 【6】将垃圾收集器的状态转到解释器,因此每个子解释器将拥有它自己的 GC(本该如此)。

另一个问题是在 CPython 代码库和许多 C 扩展中仍残存着一些“全局”变量。因此,当人们突然开始正确地编写并发代码时,我们可能会遭遇到一些问题。

还有一个问题是文件句柄属于进程,因此当你在一个解释器中读写一个文件时,子解释器将无法访问该文件(不对 CPython 作进一步更改的话)。

简而言之,还有许多其它事情需要解决。

结论:GIL 死亡了吗?

对于单线程的应用程序,GIL 仍然存活。因此,即便是合并了 PEP-554,如果你有单线程的代码,它也不会突然变成并发的。

如果你想在 Python 3.8 中使用并发代码,那么你就会遇到计算密集型的并发问题,那么这可能是张入场券!

什么时候?

Pickle v5 和用于多进程的共享内存可能是在 Python 3.8(2019 年 10 月)实现,子解释器将介于 3.8 和 3.9 之间。

如果你现在想要使用我的示例,我已经构建了一个分支,其中包含所有必要的代码 【7】

相关链接

[1] Has the Python GIL been slain? https://hackernoon.com/has-the-python-gil-been-slain-9440d28fa93d
[2] 是在2009年编写的: https://github.com/python/cpython/commit/074e5ed974be65fbcfe75a4c0529dbc53f13446f
[3] 这很重要: https://arstechnica.com/features/2002/10/hyperthreading
[4] 这个链接 : https://hackernoon.com/which-is-the-fastest-version-of-python-2ae7c61a6b2b
[5] PEP-574 提出了一种新的 pickle : https://www.python.org/dev/peps/pep-0574/
[6] 更改已经开始: https://github.com/python/cpython/pull/13219
[7] 必要的代码 : https://github.com/tonybaloney/cpython/tree/subinterpreters

随机推荐,偶遇精彩

1

感谢这本书,帮我平复“三十不立”的焦虑

2

Python 工匠:异常处理的三个好习惯

3

Python进阶:迭代器与迭代器切片

4

再聊聊Python中文社区的翻译

    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存