如何在Python线程中无锁读取只读共享变量？

嘿，你的问题核心其实不是只读变量被自动加锁，而是CPython的**全局解释器锁（GIL）**在搞鬼！我来给你拆解清楚：

为什么线程没法并行？ #

CPython里的GIL是一把全局锁，它保证同一时刻只有一个线程能执行Python字节码——不管你是不是只读操作，只要是在执行Python层面的循环、逻辑，GIL就会限制线程的并行性。对于CPU密集型任务（比如你代码里的循环计算），线程其实是交替执行，而不是真正并行，这就会让你产生“好像被加锁了”的错觉。

你的task_A和task_B都是纯CPU计算的循环，GIL会在每个线程执行一定字节码后切换，但整体没法利用多核CPU，速度上甚至可能比单线程还慢（因为线程切换有开销）。

怎么实现真正的并行？ #

根据你的场景，有两种可行方案：

1. 用multiprocessing代替threading（推荐CPU密集型场景） #

每个进程拥有独立的Python解释器和GIL，所以能真正利用多核CPU并行执行。修改你的代码示例：

import multiprocessing
import numpy as np

def task_B(inc, array):
    # 进程间数据不共享，需要把array作为参数传入
    for elem in array:
        value = elem + inc

if __name__ == '__main__':
    array = np.random.rand(10)
    # 创建进程，args要传元组，注意末尾的逗号
    p1 = multiprocessing.Process(target=task_B, args=(1, array))
    p1.start()
    # task_A
    array_copy = list()
    for elem in array:
        array_copy.append(elem)
    p1.join()

⚠️ 注意：进程间的数据是隔离的，所以需要把array作为参数传入子进程，而不是直接共享全局变量。如果需要共享大数组，可以用multiprocessing.Array或者numpy的共享内存方案，避免数据拷贝开销。

2. 利用能释放GIL的操作（适合必须用线程的场景） #

如果一定要用线程，那得让任务中的操作能主动释放GIL。比如：

• IO密集型操作：比如time.sleep()、文件读写、网络请求，这些时候线程会释放GIL，其他线程可以运行。
• numpy矢量化操作：numpy的很多底层实现是C语言写的，执行时会释放GIL，所以把循环改成numpy的矢量化计算，就能让线程并行：

import threading
import numpy as np

def task_B(inc):
    # 用numpy矢量化代替Python循环，会释放GIL
    value = array + inc

if __name__ == '__main__':
    array = np.random.rand(10)
    # 注意args要写成元组，加个逗号！你的原代码这里有bug
    t1 = threading.Thread(target=task_B, args=(1,))
    t1.start()
    # task_A也改成numpy操作，同样释放GIL
    array_copy = array.tolist()
    t1.join()

这样两个线程的numpy操作会在C层面并行执行，因为GIL被释放了。

顺便纠正一个小bug #

你原代码里创建线程的args=(1)是错误的——这个写法是整数1，不是元组，线程会把1当成可迭代对象去拆包，导致参数不匹配错误。正确写法应该是args=(1,)（加个逗号表示这是单元素元组）。

内容的提问来源于stack exchange，提问作者SHM