Python之多线程与多进程（二）

多进程

上一章：Python多线程与多进程（一）

由于GIL的存在，Python的多线程并没有实现真正的并行。因此，一些问题使用threading模块并不能解决

不过Python为并行提供了一个替代方法：多进程。在多进程里，线程被换成一个个子进程。每个进程都运作着各自的GIL（这样Python就可以并行开启多个进程，没有数量限制）。需要明确的是，线程都是同一个进程的组成部分，它们共享同一块内存、存储空间和计算资源。而进程却不会与它们的父进程共享内存，因此进程间通信比线程间通信更为复杂

多进程相比多线程优缺点如下：

优点	缺点
可以使用多核操作系统	更多的内存消耗
进程使用独立的内存空间，避免竞态问题	进程间的数据共享变得更加困难
子进程容易中断	进程间通信比线程困难
避开GIL限制

　　

Python多进程

multiprocessing模块提供了一个Process类，它有点类似多线程模块中threading.Thread类。因此，把多线程代码迁移到多进程还是比较简单的，因为代码的基本结构不变

我们快速演示一个多进程的示例：

import multiprocessing

def run(pname):
    print(pname)

for i in range(3):
    p = multiprocessing.Process(target=run, args=("Process-%s" % i,))
    p.start()
    p.join()

　　　　

运行结果：

Process-0
Process-1
Process-2

　　

可以看出，多进程和多线程的代码非常像，这里需要注意一点，如果是在Windows上执行的需要把启动进程的代码放到if __name__ == "__main__":底下

if __name__ == "__main__":
    for i in range(3):
        p = multiprocessing.Process(target=run, args=("Process-%s" % i,))
        p.start()
        p.join()

　　

进程退出状态：当进程结束的时候，会产生一个状态码，它是一个数字，表示执行结果，不同数字代表程序运行的不同情况：

• 等于0表示正常完结
• 大于0表示异常完结
• 小于0表示进程被另一个进程通过-1*exit_code信号终结

下面的代码演示如何读取和使用退出码

import multiprocessing
import time

def first():
    print("There is no problem here")

def second():
    raise RuntimeError("Error raised!")

def third():
    time.sleep(3)
    print("This process will be terminated")

workers = [multiprocessing.Process(target=first), multiprocessing.Process(target=second),
           multiprocessing.Process(target=third)]
for w in workers:
    w.start()

workers[-1].terminate()

for w in workers:
    w.join()

for w in workers:
    print(w.exitcode)

　　

运行结果：

There is no problem here
Process Process-2:
Traceback (most recent call last):
  File "/home/lf/anconda3/lib/python3.6/multiprocessing/process.py", line 258, in _bootstrap
    self.run()
  File "/home/lf/anconda3/lib/python3.6/multiprocessing/process.py", line 93, in run
    self._target(*self._args, **self._kwargs)
  File "test01.py", line 11, in second
    raise RuntimeError("Error raised!")
RuntimeError: Error raised!
0
1
-15

　　

我们注意到，第三个子进程的print语句没有执行，这是因为在sleep方法结束之前进程已经被中止了。还有一点需要注意的是：两个独立的for循环处理三个子进程：一个启动子进程，另一个通过join方法连接进程。如果我们在开启每个子进程时都执行join方法，而不是没有join直接中断第三个进程，那么第三个进程就不会失败。于是第三个子进程返回的退出码也是0，因为和多线程一样，join方法在目标进程完结之前会阻塞子进程的调用　　

进程池

多进程模块还提供了pool类，表示一个进程池，里面装有子进程，可以通过不同的方法执行同一组任务。

Pool类的主要方法如下：

• apply：这个方法在独立的子进程中运行一个函数。它还会在被调用函数返回结果之前阻塞进程
• apply_async：这个方法会在独立子进程中异步地运行一个函数，就是说进程会立即返回一个ApplyResult对象，要获得真实的返回值需要使用get()方法。get()在异步执行的函数结束之前都会被阻塞
• map：这个方法对一组数值应用一个函数。它是一个阻塞动作，所以返回值是每个值经过函数映射的列表

进程间通信：进程间通信的方式不像线程间通信那么简单，但是，Python提供了一些工具帮助我们解决问题。

Queue类是一个既线程安全又进程安全的先进先出（FIFO）数据交换机制。multiprocessing提供的Queue类基本是Queue.Queue的克隆版本，因此二者API基本相同

from multiprocessing import Queue, Process
import random

def generate(q):
    while True:
        value = random.randrange(10)
        q.put(value)
        print("Value added to queue: %s" % (value))

def reader(q):
    while True:
        value = q.get()
        print("Value from queue: %s" % (value))

queue = Queue()
p1 = Process(target=generate, args=(queue,))
p2 = Process(target=reader, args=(queue,))
p1.start()
p2.start()

　　

Pipe方法：Pipe（管道）方法为两个进程提供了一种双向通信的机制，Piped()函数返回一对连接对象，每个对象表示管道的一端。每个连接对象都有send()和recv()方法

from multiprocessing import Pipe, Process
import random

def generate(pipe):
    while True:
        value = random.randrange(10)
        pipe.send(value)
        print("Value sent: %s" % (value))

def reader(pipe):
    f = open("output.txt", "w")
    while True:
        value = pipe.recv()
        f.write(str(value))
        print(".")

input_p, output_p = Pipe()
p1 = Process(target=generate, args=(input_p,))
p2 = Process(target=reader, args=(output_p,))
p1.start()
p2.start()

　　

多进程也有事件Event，它们的工作方式与多线程类似，只是有一点需要记住，事件对象不能被传递到子进程的函数中，这样做会导致运行时错误，信号机制只能在主进程中被子进程共享：

from multiprocessing import Pool, Event
import time

event = Event()
event.set()

def worker(i):
    if event.is_set():
        time.sleep(0.1)
        print("A - %s" % (time.time()))
        event.clear()
    else:
        time.sleep(0.1)
        print("B - %s" % (time.time()))
        event.set()

pool = Pool(3)
pool.map(worker, range(9))