进程池和multiprocess.Pool模块

为什么要有进程池

​ 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？

进程池的概念。

​ 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

概念介绍

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Noneinitargs：是要传给initializer的参数组

主要方法

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。(同步)

​ 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。(异步)

​ 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

进程池的基本使用

Pool的使用

效率比多进程效率更高

from multiprocessing import Pool import time def func(n): print(n+1) if __name__ == '__main__': start = time.time() pool = Pool(3) # 5个进程 pool.map(func,range(1000)) # 100个任务 end = time.time() print(end-start)

同步和异步

# 使用apply()实现进程池同步调用，比较low，一般不用。 import os,time from multiprocessing import Pool def work(n): print('%s run' %os.getpid()) time.sleep(3) return n**2 if __name__ == '__main__': p=Pool(3) #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 res_l=[] for i in range(10): res=p.apply(work,args=(i,)) # 同步调用，直到本次任务执行完毕拿到res，等待任务work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_l) # 使用apply_async()实现进程池异步调用 import os,time,random from multiprocessing import Pool def work(n): print('%s run' %os.getpid()) time.sleep(random.random()) return n**2 if __name__ == '__main__': p=Pool(3) #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 res_l=[] for i in range(10): res=p.apply_async(work,args=(i,)) # 异步运行，根据进程池中有的进程数，每次最多3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，进程池中的三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_l.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 res in res_l: print(res.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

用进程池实现sockeserver的并发效果

# server import socket from multiprocessing import Pool def func(conn): conn.send(b'hello') res = conn.recv(1024).decode('utf8') print(res) conn.close() if __name__ == '__main__': p = Pool(5) sk = socket.socket() sk.bind(('127.0.0.1',8088)) sk.listen() while True: conn,addr = sk.accept() p.apply_async(func,args=(conn,)) # client import socket sk = socket.socket() sk.connect(('127.0.0.1',8088)) res = sk.recv(1024).decode('utf8') print(res) data = input('>>>').encode('utf8') sk.send(data) sk.close()

若进程池中限定进程个数为5，那么同时只能有5个client与server通信，若要继续添加client，必须结束之前的client，后面等待的client才能继续与server通信。

回调函数

​ 需要回调函数的场景：进程池中任何一个任务一旦处理完了，就立即告知主进程：我好了额，你可以处理我的结果了。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，然后指定回调函数（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。

from multiprocessing import Pool import os def foo1(n): res = n*n print(f'{os.getpid()},{res}') return res def foo2(nn): print(f'{os.getpid()},{nn}') if __name__ == '__main__': print('主:',os.getpid()) p = Pool(5) for i in range(5): # callback，将foo1的返回值作为参数返回给foo2 p.apply_async(foo1,args=(i,),callback=foo2) p.close() p.join()

进程池的返回值

p = Pool()p.map(func,iterable) 默认异步的执行任务，且自带close和joinp.apply() 同步调用p.apply_async() 异步调用 和主进程完全异步，需要手动close和join

from multiprocessing import Pool import time def func(i): time.sleep(0.5) return i*i if __name__ == '__main__': p = Pool(5) lis = [] for i in range(3): res = p.apply_async(func,args=(i,)) lis.append(res) for i in lis: print(i.get()) ''' 0 1 4 ''' from multiprocessing import Pool import time def func(i): time.sleep(0.5) return i*i if __name__ == '__main__': p = Pool(5) res = p.map(func,range(10)) print(res) # [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

转载于:https://www.cnblogs.com/dadazunzhe/p/11534858.html