GIL 对多线程性能的影响，一句话概括：CPU 密集型任务多线程会变慢，IO 密集型任务多线程仍有收益，甚至收益明显。理解这个边界，是选对并发方案的关键。
GIL 如何影响多线程？
CPython 中，GIL 是一把全局锁，任何线程执行 Python 字节码前，必须先获取这把锁。同一时刻只有一个线程能拿到 GIL 运行，其他线程即使有多核 CPU 闲置也只能等待。这就导致多线程无法利用多核实现真正的并行计算。更糟的是，线程切换、锁竞争本身还带来额外开销。
对 CPU 密集任务的影响：性能不升反降
当代码主要在做计算（如大量循环、数值运算、图像处理），几乎不涉及 IO 等待时：
- 单线程可以独占 GIL 持续计算，没有切换损耗。
- 开启多线程后，GIL 在多个线程之间来回争夺，操作系统还要切换线程上下文，整体吞吐量往往比单线程还低，甚至大幅下降。
- 实验数据：用多线程做纯 Python 的斐波那契计算，耗时通常高于单线程。
对 IO 密集任务的影响：依然有明显性能提升
IO 密集任务（如网络请求、文件读写、数据库查询）在执行时会释放 GIL：
- 当线程发起一个阻塞式 IO 操作（等待网络响应、读取磁盘等），CPython 会主动释放 GIL，让其他线程有机会执行。
- 因此多线程可以让一个线程在等待 IO 时切换到另一个线程处理别的请求，实现并发、提升整体吞吐量。
- 实际测试：用多线程爬取网页，线程数 10 ～ 20 的耗时可以降到单线程的几分之一。
适用边界与决策指南
| 任务类型 | 是否适合多线程 | 说明 |
|---------|--------------|------|
| CPU 密集型（纯计算） | ❌ 不适合 | GIL 导致无法并行，还可能更慢。应改用多进程（multiprocessing）或 C 扩展、Cython 释放 GIL 后并行。 |
| IO 密集型（网络、磁盘） | ✅ 适合 | 线程在 IO 等待时释放 GIL，多线程可以高效并发。也可用协程（asyncio）替代，资源开销更低。 |
| 混合型任务 | 需要拆分处理 | 计算部分用进程池或异步任务队列剥离，IO 部分用多线程或协程。 |
规避 GIL 的真正有效方案
如果确实有 CPU 密集型并行需求，不要执着于多线程改动，而是：
- 多进程：每个进程有独立的 GIL，能利用多核。
- C 扩展：用 C/Cython 编写核心算法，并在计算时主动释放 GIL。
- 使用其他解释器：如 PyPy 虽也有 GIL，但 JIT 可以加速单线程；Jython 无 GIL 但生态受限。最近 CPython 社区也在推进 subinterpreter（PEP 554）和逐步移除 GIL（PEP 703），未来可能会有变化。
记住：GIL 是 CPython 的限制，不是 Python 语言的限制。理解任务的计算/IO 特征，就能正确选择并发方案，避免“盲目上多线程却越跑越慢”的坑。