进程池和 multiprocessing.Pool模块

佚名 6年前 (2018-11-29) Python 933人围观抢沙发百度已收录

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？

进程池: 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。

SRE实战互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。

multiprocessing.Pool模块

概念介绍

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

创建进程池及参数介绍

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

主要方法介绍

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

其他方法介绍

代码示例

进程池和多进程效率对比

import time
from multiprocessing import Process, Pool

def func(i):
    num = 0
    for j in range(10):
        num += i


if __name__ == '__main__':
    pool = Pool(5)
    p_lst = []
    start = time.time()
    for i in range(100):
        p = Process(target=func, args=(i,))
        p_lst.append(p)
        p.start()
    [p.join() for p in p_lst]
    print(time.time()-start)

    s = time.time()
    pool.map(func,range(100))
    print(time.time()-s)

p.map进程池和多进程对比

同步和异步

import time
from multiprocessing import Pool

def func(i):
    num = 0
    for j in range(10):
        num += 10
    time.sleep(1)
    return num

if __name__ == '__main__':
    p = Pool(5) # 进程池中从无到有创建三个进程,以后一直是这三个进程在执行任务
    for i in range(10):
        res =p.apply(func, args=(i,))
        # 同步调用，直到本次任务执行完毕拿到res，等待任务func执行的过程中可能有阻塞也可能没有阻塞
        # 但不管该任务是否存在阻塞，同步调用都会在原地等着
        print(res)

进程池的同步调用

import time
from multiprocessing import Pool

def func(i):
    num = 0
    for j in range(10):
        num += i
    time.sleep(1)
    print(num)
    return num

if __name__ == '__main__':
    p = Pool(5)
    res_lst = []
    for i in range(10):
        res =p.apply_async(func, args=(i,))
        # 异步运行，根据进程池中有的进程数，每次最多5个子进程在异步执行
        # 返回结果之后，将结果放入列表，归还进程，之后再执行新的任务
        # 需要注意的是，进程池中的5个进程不会同时开启或者同时结束
        # 而是执行完一个就释放一个进程，这个进程就去接收新的任务。
        res_lst.append(res)
    # 异步apply_async用法：如果使用异步提交的任务，主进程需要使用jion，等待进程池内任务都处理完，然后可以用get收集结果
    # 否则，主进程结束，进程池可能还没来得及执行，也就跟着一起结束了
    p.close()
    p.join()

    for r in res_lst:
        print(r.get())
        # 使用get来获取apply_aync的结果,如果是apply,则没有get方法,因为apply是同步执行,立刻获取结果,也根本无需get

进程池的异步调用

回调函数

概念: 进程池中任何一个任务一旦处理完成, 就立即告知主进程处理器返回结果. 主进程则调用一个函数去处理该结果

, 该函数即回调函数

我们可以把耗时间(阻塞)的任务放到进程池中, 然后指定返回函数(主进程负责执行), 这样主进程在执行回调函数时就省去了I/O的过程, 直接拿到的是任务的结果.

代码示例

from multiprocessing import Pool

import os

def func(n):
    print('子进程的pid',os.getpid())
    return n*n,'约吗'

def call_back_func(x):
    print('call_back',os.getpid())
    print(x[0])

if __name__ == '__main__':
    pool = Pool(4)
    pool.apply_async(func,args=(3,),callback=call_back_func)

    print('主进程的pid',os.getpid())
    pool.close()
    pool.join()