Python多进程之multiprocessing模块和进程池的实现

1、利用multiprocessing可以在主进程中创建子进程，提升效率，下面是multiprocessing创建进程的简单例子，和多线程的使用非常相似

'''
代码是由主进程里面的主线程从上到下执行的,
我们在主线程里面又创建了两个子进程，子进
程里面也是子线程在干活，这个子进程在主进
程里面
'''
import multiprocessing
import time

def f0(a1):
    time.sleep(3)
    print(a1)
if __name__ == '__main__':#windows下必须加这句

    t = multiprocessing.Process(target=f0,args=(12,))
    t.daemon=True#将daemon设置为True，则主线程不比等待子进程，主线程结束则所有结束
    t.start()

    t2 = multiprocessing.Process(target=f0, args=(13,))
    t2.daemon = True
    t2.start()

    print('end')#默认情况下等待所有子进程结束，主进程才结束

　　这里的结果是直接打印出end就结束了，因为添加了t.daemon=True，join方法在进程里面也可以用，跟线程的用法非常相似

2、进程之间默认是不能共用内存的

li = []

def f1(i):
    li.append(i)
    print('你好',li)

if __name__ =='__main__':#进程不能共用内存
    for i in range(10):
        p = Process(target=f1,args=(i,))
        p.start()

'''每个进程都创建一个列表，然后添加一个因素进去，
   每个进程之间的数据是不能共享的

　　结果如图

如果将代码改成threading，由于线程共用内存，所以结果是不一样的，线程操作列表li之前，拿到的是前一个线程操作过的li列表，如图

3、如果要进程之间处理同一个数据，可以运用数组以及进程里面的manager方法，下面代码介绍的是manager方法

 

from multiprocessing import Process
from multiprocessing import Manager



def f1(i,dic):
    dic[i] = 200+i
    print(dic.values())

if __name__ =='__main__':#进程间默认不能共用内存
    manager = Manager()
    dic = manager.dict()#这是一个特殊的字典


    for i in range(10):
        p = Process(target=f1,args=(i,dic))
        p.start()
        p.join()

　　这里输出如图，表示每个进程都是操作这个字典，最后的输出是有10个元素

如果是普通的字典，输出如图

 

4、multiprocessing模块里面的进程池Pool的使用

（1）apply模块的使用，每个任务是排队执行的

from multiprocessing import Process,Pool
from multiprocessing import Manager
import time


def f1(a):
    time.sleep(2)
    print(a)

if __name__ =='__main__':
    pool =Pool(5)
    for i in range(5):#每次使用的时候会去进程池里面申请一个进程
        pool.apply(func=f1,args=(i,))
        print('你好')#apply里面是每个进程执行完毕了才执行下一个进程
    pool.close()#执行完close后不会有新的进程加入到pool,join函数等待所有子进程结束
    pool.join()#等待进程运行完毕，先调用close函数，否则会出错

　　运行结果如图

（2）apply_async模块，会比apply模块多个回调函数，同时是异步的

from multiprocessing import Process,Pool
from multiprocessing import Manager
import time



def Foo(i):
    time.sleep(1)
    return i+50

def Bar(arg):
    print(arg)

if __name__ =='__main__':
    pool = Pool(5)
    for i in range(10):

        '''apply是去简单的去执行，而apply_async是执行完毕之后可以执行一
        个回调函数，起提示作用'''
        pool.apply_async(func=Foo,args=(i,),callback=Bar)#是异步的
        print('你好')
    pool.close()#不执行close会报错，因为join的源码里面有个断言会检验是否执行了该方法
    pool.join()#等待所有子进程运行完毕，否则的话由于apply_async里面daemon是设置为True的，主进程不会等子进程，所欲函数可能会来不及执行完毕就结束了
'''apply_async里面，等函数Foo执行完毕，它的返回结果会被当做参数
    传给Bar'''

　　结果如图

这两个方法的主要区别如图