python -- 进程补充

生产者消费者模型

import time
import random
from multiprocessing import Queue
from multiprocessing import Process
def producer(q):
    for i in range(10):
        q.put('%s-%s'%(food,i)
        print('生产了%s'%food)
        time.sleep(random.randint(1,3)
    q.put(None)

    
def consumer():
    while True:
        food = q.get()
        if food == None:break
        print('%s 吃了 %s'%(name,food))
    
if __name__ == ' __main__':
    q = Queue()
    p1 = Process(target=producer,args=(q,'泔水'))
    p1.start()
    p2 = Process(target=producer,args=(q,'骨头'))
    p2.start()
    c1 = Process(target=consumer,args=(q,'alex'))
    c1.start()
    c2 = Process(target=consumer,args=(q,'jin'))
    c2.start()
    c3 = Process(target=consumer,args=(q,'egon'))
    c3.start()

#队列很安全

生产者消费者模型
　　1.消费者要处理多少数据是不确定的
　　2.只能用while循环来处理数据，但无法结束
　　3.需要生产者发送信号
　　4.有多少个消费者 就需要发送多少个信号
　　5.但是发送的信号数量需要根据 生产者

JoinableQueue([maxsize]) 方法

import time
import random
from multiprocessing import JoinableQueue
from multiprocessing import Process

def producer(q):
    for i in range(10):
        q.put('%s-%s'%(food,i)
        print('生产了%s'%food)
        time.sleep(random.randint(1,3)
    q.join() #等待消费者把所有数据都处理完
    
def consumer():
    while True:
        food = q.get()
        if food == None:break
        print('%s 吃了 %s'%(name,food))
        q.task_done()
        
if __name__ == '__main__':
    q = JoinableQueue()
    p1 = Process(target=producer,args=(q,'泔水'))
    p1.start()
    p2 = Process(target=producer,args=(q,'骨头'))
    p2.start()
    c1 = Process(target=consumer,args=(q,'alex'))
    c1.daemon = True
    c1.start()
    c2 = Process(target=consumer,args=(q,'jin'))
    c2.daemon = True
    c2.start()
    c3 = Process(target=consumer,args=(q,'egon'))
    c3.daemon = True
    c3.start()
    
    p1.join() #等待p1执行完毕
    p2.join()

管道

#创建管道的类：
Pipe([duplex]):在进程之间创建一条管道，并返回元组（conn1,conn2）
　　,其中conn1，conn2表示管道两端的连接对象，强调一点：必须在产生Process对象之前产生管道
#参数介绍：
dumplex:默认管道是全双工的，如果将duplex射成False，conn1只能用于接收，conn2只能用于发送。
#主要方法：
    conn1.recv():接收conn2.send(obj)发送的对象。
　　　　如果没有消息可接收，recv方法会一直阻塞。如果连接的另外一端已经关闭，那么recv方法会抛出EOFError。
    conn1.send(obj):通过连接发送对象。obj是与序列化兼容的任意对象
 #其他方法：
conn1.close():关闭连接。如果conn1被垃圾回收，将自动调用此方法
conn1.fileno():返回连接使用的整数文件描述符
conn1.poll([timeout]):如果连接上的数据可用，返回True。
　　timeout指定等待的最长时限。如果省略此参数，方法将立即返回结果。如果将timeout射成None，操作将无限期地等待数据到达。
 
conn1.recv_bytes([maxlength]):
　　接收c.send_bytes()方法发送的一条完整的字节消息。maxlength指定要接收的最大字节数。
　　如果进入的消息，超过了这个最大值，将引发IOError异常，并且在连接上无法进行进一步读取。
　　如果连接的另外一端已经关闭，再也不存在任何数据，将引发EOFError异常。
conn.send_bytes(buffer [, offset [, size]])：
　　通过连接发送字节数据缓冲区，buffer是支持缓冲区接口的任意对象，offset是缓冲区中的字节偏移量，
　　而size是要发送字节数。结果数据以单条消息的形式发出，然后调用c.recv_bytes()函数进行接收    
 
conn1.recv_bytes_into(buffer [, offset]):接收一条完整的字节消息，并把它保存在buffer对象中，
　　该对象支持可写入的缓冲区接口（即bytearray对象或类似的对象）。
　　offset指定缓冲区中放置消息处的字节位移。返回值是收到的字节数。如果消息长度大于可用的缓冲区空间，将引发BufferTooShort异常。

from multiprocessing import Process
from multiprocessing import Pipe

def func(p):
    foo,son = p
    foo.close()
    while True:
        try:
            print(son.recv())
        except EOFError:
            break
        # print(son.recv())

if __name__ == '__main__':
    foo,son = Pipe()
    p = Process(target=func, args=((foo,son),))
    p.start()
    son.close()
    foo.send('hello')
    foo.send('hello')
    foo.send('hello')
    foo.send('hello')
    foo.send('hello')
    foo.close()

from multiprocessing import Process
from multiprocessing import Pipe
from multiprocessing import Lock

def func(p,l):
    foo, son = p
    foo.close()
    while True:
        try:
            l.acquire()
            print(son.recv())
            l.release()
        except EOFError:
            l.release()
            son.close()
            break

def func2(p):
    foo, son = p
    son.close()
    for i in range(10):
        foo.send(i)
    foo.close()

if __name__ == '__main__':
    foo,son = Pipe()
    l = Lock()
    p = Process(target=func,args=((foo,son),l))
    p1 = Process(target=func,args=((foo,son),l))
    p2 = Process(target=func,args=((foo,son),l))
    p.start()
    p1.start()
    p2.start()
    p3 = Process(target=func2, args=((foo, son),)).start()
    p4 = Process(target=func2, args=((foo, son),)).start()
    p5 = Process(target=func2, args=((foo, son),)).start()
    p6 = Process(target=func2, args=((foo, son),)).start()
    p7 = Process(target=func2, args=((foo, son),)).start()
    son.close()
    foo.close()

应该特别注意管道端点的正确管理问题。如果是生产者或消费者中都没有使用管道的某个端点，就应将它关闭。这也说明了为何在生产者中关闭了管道的输出端，在消费者中关闭管道的输入端。如果忘记执行这些步骤，程序可能在消费者中的recv（）操作上挂起。管道是由操作系统进行引用计数的，必须在所有进程中关闭管道后才能生成EOFError异常。因此，在生产者中关闭管道不会有任何效果，除非消费者也关闭了相同的管道端点。 

管道具有不安全性，而队列相当于管道与锁的结合。

进程之间的数据共享

from multiprocessing import Manager,Process,Lock
def work(d,lock):
    with lock: #不加锁而操作共享的数据,肯定会出现数据错乱
        d['count']-=1

if __name__ == '__main__':
    lock=Lock()
    with Manager() as m:
        dic=m.dict({'count':100})
        p_l=[]
        for i in range(100):
            p=Process(target=work,args=(dic,lock))
            p_l.append(p)
            p.start()
        for p in p_l:
            p.join()
        print(dic)

'''
进程间数据是独立的，可以借助于队列或管道实现通信，二者都是基于消息传递的
虽然进程间数据独立，但可以通过Manager实现数据共享，事实上Manager的功能远不止于此

A manager object returned by Manager() controls a server process which holds Python objects and allows other processes to manipulate them using proxies.

A manager returned by Manager() will support types list, dict, Namespace, Lock, RLock, Semaphore, BoundedSemaphore, Condition, Event, Barrier, Queue, Value and Array.
'''

进程池和multiprocess.Pool模块

进程池

进程池的概念。

在程序实际处理问题过程中，忙时会有成千上万的任务需要被执行，闲时可能只有零星任务。那么在成千上万个任务需要被执行的时候，我们就需要去创建成千上万个进程么？首先，创建进程需要消耗时间，销毁进程也需要消耗时间。第二即便开启了成千上万的进程，操作系统也不能让他们同时执行，这样反而会影响程序的效率。因此我们不能无限制的根据任务开启或者结束进程。那么我们要怎么做呢？

在这里，要给大家介绍一个进程池的概念，定义一个池子，在里面放上固定数量的进程，有需求来了，就拿一个池中的进程来处理任务，等到处理完毕，进程并不关闭，而是将进程再放回进程池中继续等待任务。如果有很多任务需要执行，池中的进程数量不够，任务就要等待之前的进程执行任务完毕归来，拿到空闲进程才能继续执行。也就是说，池中进程的数量是固定的，那么同一时间最多有固定数量的进程在运行。这样不会增加操作系统的调度难度，还节省了开闭进程的时间，也一定程度上能够实现并发效果。

Pool([numprocess  [,initializer [, initargs]]]):创建进程池

numprocess:要创建的进程数，如果省略，将默认使用cpu_count()的值
initializer：是每个工作进程启动时要执行的可调用对象，默认为None
initargs：是要传给initializer的参数组

p.apply(func [, args [, kwargs]]):在一个池工作进程中执行func(*args,**kwargs),然后返回结果。
'''需要强调的是：此操作并不会在所有池工作进程中并执行func函数。如果要通过不同参数并发地执行func函数，必须从不同线程调用p.apply()函数或者使用p.apply_async()'''

p.apply_async(func [, args [, kwargs]]):在一个池工作进程中执行func(*args,**kwargs),然后返回结果。
'''此方法的结果是AsyncResult类的实例，callback是可调用对象，接收输入参数。当func的结果变为可用时，将理解传递给callback。callback禁止执行任何阻塞操作，否则将接收其他异步操作中的结果。'''
   
p.close():关闭进程池，防止进一步操作。如果所有操作持续挂起，它们将在工作进程终止前完成

P.jion():等待所有工作进程退出。此方法只能在close（）或teminate()之后调用


方法apply_async()和map_async（）的返回值是AsyncResul的实例obj。实例具有以下方法
obj.get():返回结果，如果有必要则等待结果到达。timeout是可选的。如果在指定时间内还没有到达，将引发一场。如果远程操作中引发了异常，它将在调用此方法时再次被引发。
obj.ready():如果调用完成，返回True
obj.successful():如果调用完成且没有引发异常，返回True，如果在结果就绪之前调用此方法，引发异常
obj.wait([timeout]):等待结果变为可用。
obj.terminate()：立即终止所有工作进程，同时不执行任何清理或结束任何挂起工作。如果p被垃圾回收，将自动调用此函数

import os
import time
from multiprocessing import Pool
print(os.cpu_count())
def func(i):
    time.sleep(1)
    print(i,os.getpid())
    
if __name__ == '__main__':
    p = Pool(5)
    p.map(func,range(20))  #默认是无序的
    p.close()  #不允许再向进程池中添加任务
    p.join()
    print('====>')




import time
from multiprocessing import Pool
from multiprocessing import Process
def func(i):
    i += 1
    
if __name__ == '__main__':
    p = Pool(5)
    start = time.time()
    #target=func,args=next(iterable)
    p.map(func,range(20))  #默认是无序的
    p.close()  #不允许再向进程池中添加任务
    p.join()
    print('====>')

import time
from multiprocessing import Pool

def func(i):
    time.sleep(1)
    i += 1
    return i+1
    
if __name__ == '__main__':
    p = Pool(5)
    for i in range(20):
        p.apply(func,args=(i,))
        #apply是同步提交任务的机制
    p.close() #close必须加在join前 不许添新任务
    p.join()  #等待子进程结束在往下执行

import time
from multiprocessing import Pool

def func(i):
    time.sleep(1)
    i += 1
    return i+1
    
if __name__ == '__main__':
    p = Pool(5)
    for i in range(20):
        p.apply_async(func,args=(i,))
        #apply是异步提交任务的机制
        #异步必须要有close和join
    p.close() #close必须加在join前 不许添新任务
    p.join()  #等待子进程结束在往下执行