5.2 Python和Flask的多线程

python不能充分利用多核CPU的优势：

因为python有一个全局解释器锁GIL（Global Interceptor Lock），这个全局解释器锁会不管有多少个核，我们一个进程有多少个线程，都限制了同一时间只能在一个核上运行一个线程。

为了解决线程安全问题引用了锁，python中有两种锁

• 细粒度锁：由程序员手动加锁

• 粗粒度锁：有python在解释器上加锁，同一时间只能运行一个核。

python有很多全局解释器，如cpython和jpython。GIL只是加在最常见的cpython上的，所以使用jpython可以去掉这个限制。

也可以采用多进程的方式来解决这个问题，但是这样会带来其他的问题，如多进程通信技术，进程切换带来的开销等

python的多线程到底是不是鸡肋

我们的程序从一个时间段内最多的操作类型，可以分类IO密集型和CPU密集型

• IO密集型：一个时间段内，查询数据库，请求网络资源，读写文件等操作居多的，则属于IO密集型。

• CPU密集型：一个时间段内，严重依赖CPU计算资源的操作（如圆周率的计算）非常多，则属于CPU密集型。

而我们大部分的编程都是IO密集型的，对于IO密集型的程序来源，Python的多线程是有意义的，例如在进行一个数据库查询的时候，大部分的时间都是在等待结果返回，等待的这段时间并不消耗CPU的资源，不如让给其他线程去执行。

flask的多线程以及问题

• flask内置了webServer服务器，一般在生产环境会替换掉这个默认的服务器

• flask内置的webServer服务器默认是使用单进程单线程的方式执行的，多个请求进来必须要一个一个的执行，不能同时执行，这是因为自己调试大部分情况下单进程单线程就足够了。

• 如果要开启多线程模式，只需要在运行Flask核心app对象的时候，设置关键字参数threaded=True即可。如果要开启多进程，将processes设置为True即可。

• 观察Flask多线程模式 的技巧 在新版pycharm上，启用debug模式（是工具的debug，不是Flask的debug），在视图函数上打一个断点，然后再浏览器上发多次请求，可以看到，处理每个请求的线程不一样

• Flask在单线程的时候，request永远都指向的是为了处理当前请求而实例化的Requset对象，这没有问题；在多线程的时候，由于request只是一个变量，但是多个线程处理多个请求，就会实例化不同的Request对象，在某一时刻request变量指向哪一个Request对象是不确定的，这时候，如果在代码中获取request并且视图修改的话就会遇到问题