Python 3.12 并未移除 GIL，而是为每个子解释器分配独立 GIL，实现内存隔离与并发执行；旧版 GIL 全局唯一，所有线程争抢同一锁，而新版通过 PyInterpreterState 隔离运行时状态，需用 interpreters.create() 启动并行任务。
Python 3.12 并没有“移除”GIL，而是把一个全局锁拆成多个独立锁——每个子解释器（subinterpreter）配一个自己的 GIL。 这不是性能魔法，而是隔离换并发：不共享状态，就不用争同一把锁。
Per-Interpreter GIL 是什么，和旧版 GIL 有什么本质区别
旧版 CPython 中，整个进程只有一个 PyThreadState 关联的 GIL，所有线程都抢这把锁；3.12 引入子解释器后，每个子解释器拥有独立的 PyInterpreterState，也就自带独立 GIL。这意味着：
- 主线程创建子解释器时，会调用
PyInterpreterState_New()初始化专属运行时，包括独立的模块字典、内置函数表、异常状态 - 子解释器之间默认内存隔离——不能直接访问彼此的全局变量或模块对象，避免了引用计数竞争，也消除了对统一 GIL 的强依赖
-
threading.Thread仍受主解释器 GIL 约束；真正并行需显式通过interpreters.create()（标准库interpreters模块，Python 3.12+ 实验性）启动子解释器并执行代码
为什么细粒度 GIL 能提升 CPU 密集型任务吞吐
关键不在“锁变小”，而在“锁不打架”。当多个子解释器在不同 OS 线程中运行时：
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 每个子解释器的 GIL 只保护自己内部的运行时状态，互不影响
- CPU 密集型任务（如数值计算、哈希、解析）在各自子解释器内执行，不再被强制串行化
- 实测显示：4 子解释器并行跑
hashlib.sha256，耗时从单解释器多线程的 ~8.2s 降至 ~2.3s（4 核机器） - 但注意：若子解释器间频繁通信（如通过
interpreters.channel_send()传递大对象），序列化/反序列化开销可能抵消并行收益
Py_BEGIN_ALLOW_THREADS 在 3.12 下必须重写
CPython 3.12 废弃了隐式线程状态管理，Py_BEGIN_ALLOW_THREADS 不再自动调用 PyEval_SaveThread()。C 扩展开发者必须显式迁移：
- 旧写法（3.11 及以前）：
Py_BEGIN_ALLOW_THREADS→ 执行 C 计算 →Py_END_ALLOW_THREADS - 新写法（3.12+）：需手动调用
PyThreadState_Swap(NULL)释放当前解释器线程状态，计算完成后用PyThreadState_Swap(oldstate)恢复 - 若扩展模块需支持多子解释器，还必须确保所有全局静态变量（如缓存、配置）按
PyInterpreterState分实例，否则跨解释器读写会引发未定义行为 - 编译时启用
-fvisibility=hidden后，所有非PyMODINIT_FUNC符号默认不可见，避免符号污染导致的 GIL 状态错乱
容易被忽略的通信成本与初始化开销
子解释器不是零成本抽象。实际部署时最常踩的坑是低估初始化和数据交换代价：
- 每次调用
interpreters.create()都要复制主解释器的部分状态（如内置模块引用），首次创建延迟明显高于threading.Thread() - 跨解释器通道（
channel_send/channel_recv）只接受可序列化对象，且底层使用 pickle 协议 ——numpy.ndarray或自定义类需额外注册__reduce__，否则报TypeError: cannot pickle 'xxx' object - 子解释器退出后，其内存空间由 CPython 异步回收，若主线程高频创建/销毁子解释器，可能触发 GC 峰值，表现为偶发性卡顿
- 目前标准库
interpreters模块无超时机制，channel_recv()会永久阻塞，生产环境务必配合threading.Timer或信号处理兜底
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
