队列：
队列是进程安全的，内置了锁来保证队列中的每一个数据都不会被多个进程重复读取。
import time import random from multiprocessing import Process,Queue def consumer(q,name): while True: food = q.get() # 获取队列中的数据 if food == 'None': break # 如果获取到'None'则说明后面无食物，则跳出循环 time.sleep(random.random()) print('%s吃了%s' % (name,food)) def producer(q,name,food): for i in range(10): # 循环十次，每个生产者生产十个食物 time.sleep(random.random()) print('%s生产了%s%s'%(name,food,i)) q.put('%s%s'%(food,i)) # 将生产出的食物放入队列中 if __name__ == '__main__': q = Queue() p1 = Process(target=producer,args=[q,'egon','骨头']) p2 = Process(target=producer,args=[q,'yuan','包子']) p1.start() p2.start() c1 = Process(target=consumer,args=[q,'alex']) c2 = Process(target=consumer,args=[q,'wusir']) c1.start() c2.start() p1.join() # join()等待子进程完毕，才会进行下一句代码 p2.join() q.put('None') # 在队列末尾加入'None'为了可以跳出循环不至于阻塞 q.put('None')
import time import random from multiprocessing import Process,JoinableQueue def consumer(q,name): while True: food = q.get() # 得到数据 time.sleep(random.random()) print('%s吃了%s'%(name,food)) q.task_done() # 得到的数据已被处理完 def producer(q,name,food): for i in range(10): time.sleep(random.random()) print('%s生产了%s%s'%(name,food,i)) q.put('%s%s'%(food,i)) q.join() # join()会发起一个阻塞，直到所有当前队列中的数据都被消费 if __name__ == '__main__': q = JoinableQueue() p1 = Process(target=producer,args=[q,'egon','包子']) p2 = Process(target=producer,args=[q,'yuan','骨头']) p1.start() p2.start() c1 = Process(target=consumer,args=[q,'alex']) c2 = Process(target=consumer,args=[q,'wusir']) c1.daemon = True c2.daemon = True c1.start() c2.start() p1.join() #当producer中的for循环结束q.join()执行，此时p1.join()不会阻塞 p2.join() # 当主进程代码结束后，守护进程也会随之结束。 # consumer每完成一个任务就会给q发送一个task_done() # producer在所有的数据都生产完后会执行q.join() # producer会等待consumer消费完数据才结束 # 主进程中的代码会等待producer执行完才结束 # producer结束就意味着主进程代码的结束， # consumer作为守护进程结束
管道（了解）：
#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,Pipe def f(parent_conn,child_conn): parent_conn.close() # 若是不用，就关闭 while True: try: print(child_conn.recv()) except EOFError: child_conn.close() break if __name__ == '__main__': parent_conn,child_conn = Pipe() p = Process(target=f,args=(parent_conn,child_conn)) p.start() child_conn.close() # 不用就关闭 parent_conn.send('hello') parent_conn.send('hello') parent_conn.send('hello') parent_conn.close() # 用完就关闭 p.join()
管道的管理：
如果生产者或者消费者都没有使用管道的某个端点，就关闭。
管道在多个进程中使用时，会带来数据不安全问题。
from multiprocessing import Process,Pipe,Lock def consumer(p,name,lock): produce, consume=p produce.close() while True: lock.acquire() baozi=consume.recv() lock.release() if baozi: print('%s 收到包子:%s' %(name,baozi)) else: consume.close() break def producer(p,n): produce, consume=p consume.close() for i in range(n): produce.send(i) produce.send(None) produce.send(None) produce.close() if __name__ == '__main__': produce,consume=Pipe() lock = Lock() c1=Process(target=consumer,args=((produce,consume),'c1',lock)) c2=Process(target=consumer,args=((produce,consume),'c2',lock)) p1=Process(target=producer,args=((produce,consume),10)) c1.start() c2.start() p1.start() produce.close() consume.close() c1.join() c2.join() p1.join() print('主进程')
继承之间的数据共享：
展望未来，基于消息传递的并发编程是大势所趋
即便是使用线程，推荐做法也是将程序设计为大量独立的线程集合，通过消息队列交换数据。
这样极大地减少了对使用锁定和其他同步手段的需求，还可以扩展到分布式系统中。
但进程间应该尽量避免通信，即便需要通信，也应该选择进程安全的工具来避免加锁带来的问题。
以后我们会尝试使用数据库来解决现在进程之间的数据共享问题。
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.
from multiprocessing import Manager,Process,Lock def func(dic,lock): with lock: # 若是不加锁而操作共享数据，容易出现数据错乱(容易两个p使用同一个数值) dic['count'] = dic['count'] - 1 if __name__ == '__main__': m = Manager() lock = Lock() dic = m.dict({'count':100}) p_lst = [] for i in range(100): p = Process(target=func,args=[dic,lock]) p_lst.append(p) p.start() for p in p_lst:p.join() print(dic)
进程池和 multiprocess.Pool 模块
进程池：
为什么要有进程池?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。
multiprocess.Pool 模块
Pool([numprocess [,initializer [, initargs]]]):创建进程池
1 numprocess:要创建的进程数，如果省略，将默认使用cpu_count()的值 2 initializer：是每个工作进程启动时要执行的可调用对象，默认为None 3 initargs：是要传给initializer的参数组
1 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。 2 '''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()''' 3 4 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。 5 '''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。''' 6 7 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 8 9 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
1 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 2 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。 3 obj.ready():如果调用完成，返回True 4 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 5 obj.wait([timeout]):等待结果变为可用。 6 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 import random from multiprocessing import Pool def work(n): print('%s run' % os.getpid()) time.sleep(random.randint(1,3)) return n**2 if __name__ == '__main__': p = Pool(3) # 进程池中创建三个进程，以后一直是这三个进程在执行任务端口一直是这三个 res_l = [] for i in range(10): res = p.apply(work,args=(i,)) # 同步调用，一直等待work执行完毕，直到本次任务执行完毕拿到res print(res_l)
import os import time import random from multiprocessing import Pool def work(n): print('%s run'% os.getpid()) time.sleep(random.randint(1,3)) return n**2 if __name__ == '__main__': p = Pool(5) res_l = [] for i in range(10): res = p.apply_async(func=work,args=(i,)) # 异步运行，根据进程池中有的进程数，每次最多三个子进程在异步执行 # 返回结果后将结果放入列表，归还进程，之后会进程新的任务 # 需要注意的是，进程池中的三个进程不会同时开启或同时结束。 # 而是执行完一个任务，就释放一个进程，这个进程再去接收新的任务 res_l.append(res) # 异步apply_async用法：如果使用异步提交的任务，主进程中需要用join() # 等待进程接收的任务处理完毕，再用get()收集结果。 # 否则，主进程结束，进程池中的任务可能还没来的及执行，就随着主进程结束而结束了。 # p.close() # p.join() for res in res_l: print(res.get()) # 使用get()获取apply_aysnc的结果，如果是apply,则没有get()方法 # 因为apply是同步执行，会立刻获得结果，所以不需要get()获取结果。
回调函数：
在进程池中，一个任务对应的函数在执行完毕之后，它的返回值会自动作为参数返回给回调函数，回调函数就根据返回值再进行相应的处理。
且回调函数是在主进程中执行的。
import os from urllib.request import urlopen from multiprocessing import Pool def get_url(url): print('-->',url,os.getpid()) ret = urlopen(url) content = ret.read() return url def call(url): # 回调函数 print(url,os.getpid()) if __name__ == '__main__': print(os.getpid()) l = [ 'http://www.baidu.com', 'http://www.sina.com', 'http://www.qq.com', 'http://www.bilibili.com', ] p = Pool(3) ret_l = [] for url in l: ret = p.apply_async(func=get_url, args=[url, ], callback=call) ret_l.append(ret) for ret in ret_l: ret.get()