# Cpyrhon解释器下有个全局解释器锁-GIL：在同一    # 在同一时刻，多线程中只有一个线程访问CPU    # 有了全局解释器锁（GIL）后，在同一时刻只能有一个线程访问CPU。    # 全局解释器锁锁的是线程，而不是数据。    # 这种全局解释器锁的特性就是同一时间只有有一个线程访问CPU，所以在多个CPU的情况下，也只有一个线程在一个时间点访问CPU，这是Cpython解释器的特性，这是一个不好的特性        # 到目前为止并没有一个解释器语言可以充分使用多个CPU，一个时间点只能一者访问CPU# 在多线程环境中，python虚拟机按一下方式执行访问CPU：    # 设置GIL    # 切换到一个线程去执行    # 运行指定数量的字节码指令或线程后主动让出控制（可以调用time.sleep()）    # 把线程设置为睡眠状态    # 解决GIL    # 再次重复以上所有操作# 高CPU： 在高CPU利用率的代码中，此时这种同一时刻只能有一个线程访问CPU机制会响应效率，如高计算类的代码中。如真遇到这种情况，可以用多进程，不用多线程处理# 高IO：处理文件、处理web请求、爬取网页、设备文件、读写数据、send、recv，我们遇到的基本都是IO的，很少遇到计算类的东西# 比较多线程与多进程的效率。多线程的执行效率会好些，在高IO的情况、和简单的计算类情况下import timefrom threading import Threadfrom multiprocessing import Processdef func(n):    n + 1if __name__ == '__main__':    start = time.time()    t_lst = []    for i in range(100):        t = Thread(target=func, args=(i, ))        t_lst.append(t)        t.start()    for t in t_lst:        t.join()    t1 = time.time() - start    start2 = time.time()    p_lst = []    for i in range(100):        p = Process(target=func, args=(i, ))        p_lst.append(p)        p.start()    for p in p_lst:        p.join()    t2 = time.time() - start2    print(t1, t2)