什么是守护进程？
表示进程A守护进程B，当被守护进程B结束后，进程A也就结束。
from multiprocessing import Process import time def task(): print('妃子的一生') time.sleep(15) print('妃子死了') if __name__ == '__main__': fz = Process(target=task) fz.daemon = True #将子进程作为主进程的守护进程。必须在开启之前设置 fz.start() print('皇帝登基了') time.sleep(1) print('做了10年皇帝') time.sleep(5) print('皇帝驾崩了！')
上面的代码说明了什么叫守护进程，需要注意的是，守护进程须在进程开启前设置，就是改变了，本质其实就是改变了Process类里面的daemon属性，默认是False
应用场景：之所以开启子进程，是为了帮助主进程完成某个任务，然而主进程认为自己的事情一旦完成，子进程就没必要存在，那就可以将子进程设置未主进程的守护进程。
例如：QQ下载文件，QQ退出，文件就终止下载。
2、互斥锁
1.什么是锁（Lock）？
锁是multiprocessing模块中的一个类（Lock）。
2.为什么要有锁？
串行效率低，但是数据不会出现问题。并发效率高，但是数据可能出错。
当多进程共享一个数据时，可能造成数据错乱。
1.使用join方法可以让数据不会错乱，但是会让进程变为串行。效率不高。
2.使用lock可以将数据加锁，其他程序使用时需等待当前程序使用完成。lock只是使部分代码串行，其他部分还是并发。
3.互斥锁的示例
Lock类的两个方法acquire（锁）和release（释放），acquire将状态变为True, release是将状态变为False
锁的本质就是一个bool类型，在执行前会先判断这个值。
def acquire(self, blocking=True, timeout=-1): pass def release(self): pass #锁的使用 #注意：使用锁的必须保证锁是同一个 from multiprocessing import Process,Lock import random import time def task1(lock): lock.acquire() print('1111') time.sleep(random.randint(1, 3)) print('11111111') lock.release() def task2(lock): lock.acquire() print('222222') time.sleep(random.randint(1,2)) print('2222222222222') lock.release() def task3(lock): lock.acquire() print('3333333333') time.sleep(random.randint(1, 3)) print('33333333333333333333333') lock.release() if __name__ == '__main__': lock = Lock() p1 = Process(target=task1, args=(lock,)) p1.start() p2 = Process(target=task2, args=(lock,)) p2.start() p3 = Process(target=task3, args=(lock,)) p3.start() ###输出结果除了1的位置固定，后两个不固定，但是如果出现了2，则必须运行完2 1111 11111111 3333333333 33333333333333333333333 222222 2222222222222
4.锁的应用
应用场景：购票软件的购票过程。
逻辑分析：1.用户都可以查看余票
2.但是其中一个用户发起请求购票，其他用户不能发起请求购票（锁状态）
import json from multiprocessing import Process,Lock import random import time #查看余票功能 def check_ticket(name): time.sleep(random.randint(1, 3)) with open('ticket.json', mode='rt', encoding='utf-8')as f: dic = json.load(f) print('%s正在查看余票， 余票：%s 张' % (name, dic['count'])) #购票功能 def buy_ticket(name): with open('ticket.json', mode='rt', encoding='utf-8')as f: dic = json.load(f) if dic['count'] > 0: time.sleep(random.randint(1, 3)) dic['count'] -= 1 print('%s购票成功！ 余票：%s张' % (name, dic['count'])) with open('ticket.json', mode='wt', encoding='utf-8')as f: json.dump(dic, f) #用户购票流程 def task(name,lock): check_ticket(name) lock.acquire() buy_ticket(name) lock.release() if __name__ == '__main__': lock = Lock() for i in range(1, 11): p = Process(target=task, args=('用户%s' % i, lock)) p.start()
5.重入锁（RLock）
RLock类，可重入的锁。Lock类只能有一个acquire方法，RLock可以有多个，如果在多进程中使用Rlock，并且一个进程A执行了多次acquire，其他进程B想要获取锁，则需将所有的acquire释放可以获取。
from multiprocessing import RLock lock = RLock() lock.acquire() lock.acquire() lock.acquire() print('haha') lock.release() lock.release() lock.release() #注意重入锁，锁几次就需要开几次
6.死锁
1.什么是死锁？
死锁是指锁无法打开，导致程序卡死。必须是多把锁才能形成死锁。正常开发时，要避免这种情况。通常一把锁可以解决大多数问题。
##以一个吃饭需要盘子l1 和筷子 l2 二者缺一不可来说明死锁 from multiprocessing import Process,Lock import time def task1(l1, l2, i): l1.acquire() print('盘子被%s抢走了'% i) time.sleep(2) l2.acquire() print('筷子被%s抢走了'% i) print('吃饭！') l1.release() l2.release() def task2(l1, l2, i): l2.acquire() ###task2先抢了筷子，导致task1无法完成后续动作 print('筷子被%s抢走了' % i) l1.acquire() print('盘子被%s抢走了'% i) print('吃饭！') l1.release() l2.release() if __name__ == '__main__': l1 = Lock() l2 = Lock() Process(target=task1, args=(l1, l2, 1)).start() #开启两个进程 Process(target=task2, args=(l1, l2, 2)).start() #在开发中要避免这种问题。如果有使用则应该注意将task2调整锁的位置。 def task2(l1, l2, i): l1.acquire() print('盘子被%s抢走了'% i) l2.acquire() print('筷子被%s抢走了' % i) print('吃饭！') l1.release() l2.release()
7.ICP进程间通讯
由于进程间内存是相互独立的，所以需要对应积极的方案能够使得进程之间可以相互传递数据。
解决方案：
1.使用共享文件。多个进程同时读写同一个文件。但是IO速度慢，传输的数据大小不受限制。
2.管道。基于内存，速度块，但是是单向的，用起来麻烦。
3.队列。申请共享内存空间，多个进程可以共享这个内存区域。
#创建共享文件 from multiprocessing import Manager,Process,Lock def work(d): # with lock: d['count']-=1 if __name__ == '__main__': with Manager() as m: dic=m.dict({'count':100}) #创建一个共享的字典 p_l=[] for i in range(100): p=Process(target=work,args=(dic,)) p_l.append(p) p.start() for p in p_l: p.join() print(dic)
8.队列
进程彼此之间互相隔离，要实现进程间通信（IPC），multiprocessing模块支持两种形式：队列和管道，这两种方式都是使用消息传递的。
队列也是一种数据容器，其特点：先进先出。
与堆栈相反：先进后出。 （函数的调用就是一种类似堆栈方式）
创建队列的类（底层就是以管道和锁定的方式实现）：
1.Queue([maxsize]):创建共享的进程队列，Queue是多进程安全的队列，可以使用Queue实现多进程之间的数据传递
2.maxsize是队列中允许最大项数，省略则无大小限制。
主要方法
q.put方法用以插入数据到队列中，put方法还有两个可选参数：blocked和timeout。如果blocked为True（默认值），并且timeout为正值，该方法会阻塞timeout指定的时间，直到该队列有剩余的空间。如果超时，会抛出Queue.Full异常。如果blocked为False，但该Queue已满，会立即抛出Queue.Full异常。
q.get方法可以从队列读取并且删除一个元素。同样，get方法有两个可选参数：blocked和timeout。如果blocked为True（默认值），并且timeout为正值，那么在等待时间内没有取到任何元素，会抛出Queue.Empty异常。如果blocked为False，有两种情况存在，如果Queue有一个值可用，则立即返回该值，否则，如果队列为空，则立即抛出Queue.Empty异常.
q.get_nowait():同q.get(False)
q.put_nowait():同q.put(False)
q.empty():调用此方法时q为空则返回True，该结果不可靠，比如在返回True的过程中，如果队列中又加入了项目。
q.full()：调用此方法时q已满则返回True，该结果不可靠，比如在返回True的过程中，如果队列中的项目被取走。
q.qsize():返回队列中目前项目的正确数量，结果也不可靠，理由同q.empty()和q.full()一样
队列的优点是：保证数据不会错乱，即使在多进程中。因为put和get都是阻塞
from multiprocessing import Queue q = Queue(3) #创建一个队列，队列最多存三个数据 q.put('ming') #存数据 q.put(123) print(q.get()) #put默认会阻塞，当队列装满时程序会卡住 print(q.get()) q.put('xian') # q.put('daidai',False) #put第二个参数设置为False会强行将数据放入队列 q.put('j', True, timeout=3) #timeout等待时间
9.生产者消费者模型
1.什么是生产者消费者模型？
生产者：生产数据的一方。
消费者：处理使用数据的一方。
例如：一个爬虫程序：1.爬去数据 2.解析数据
2.怎么实现？
1.将两个不同任务分配给不同的进程。
2.提供一个进程共享的数据容器
#模型示例： from multiprocessing import Process, Queue import time import random def get_data(q): for num in range(1, 6): print('正在爬取第%s个数据' % num) time.sleep(random.randint(1, 2)) print('第%s个数据爬取完成。' % num) q.put('第%s个数据' % num) def parse_data(q): for num in range(1, 6): data = q.get() print('正在解析%s' % data) time.sleep(random.randint(1, 2)) print('%s解析完成。' % data) if __name__ == '__main__': q = Queue(5) # 创建一个可以存放5个数据的队列 #生产者模型 producer = Process(target=get_data, args=(q,)) producer.start() #消费者模型 consumer = Process(target=parse_data, args=(q,)) consumer.start() ###输出结果 正在爬取第1个数据 第1个数据爬取完成。 正在爬取第2个数据 正在解析第1个数据 第2个数据爬取完成。 正在爬取第3个数据 第1个数据解析完成。 正在解析第2个数据 第3个数据爬取完成。 正在爬取第4个数据 第2个数据解析完成。 正在解析第3个数据 第3个数据解析完成。 第4个数据爬取完成。 正在爬取第5个数据 正在解析第4个数据 第5个数据爬取完成。 第4个数据解析完成。 正在解析第5个数据 第5个数据解析完成。 ###可以看出两个模型之间互不干扰，相互独立。