如何分析Python多進程

這篇文章將為大家詳細講解有關如何分析Python多進程，文章內容質量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關知識有一定的了解。

1.Python多進程模塊

Python中的多進程是通過multiprocessing包來實現的，和多線程的threading.Thread差不多，它可以利用multiprocessing.Process對象來創建一個進程對象。這個進程對象的方法和線程對象的方法差不多也有start(), run(), join()等方法，其中有一個方法不同Thread線程對象中的守護線程方法是setDeamon，而Process進程對象的守護進程是通過設置daemon屬性來完成的。

下面說說Python多進程的實現方法，和多線程類似

2.Python多進程實現方法一

from multiprocessing import  Process

def fun1(name):
    print('測試%s多進程' %name)

if __name__ == '__main__':
    process_list = []
    for i in range(5):  #開啟5個子進程執行fun1函數
        p = Process(target=fun1,args=('Python',)) #實例化進程對象
        p.start()
        process_list.append(p)

    for i in process_list:
        p.join()

    print('結束測試')

結果

測試Python多進程
測試Python多進程
測試Python多進程
測試Python多進程
測試Python多進程
結束測試
Process finished with exit code 0

上面的代碼開啟了5個子進程去執行函數，我們可以觀察結果，是同時打印的，這里實現了真正的并行操作，就是多個CPU同時執行任務。我們知道進程是python中最小的資源分配單元，也就是進程中間的數據，內存是不共享的，每啟動一個進程，都要獨立分配資源和拷貝訪問的數據，所以進程的啟動和銷毀的代價是比較大了，所以在實際中使用多進程，要根據服務器的配置來設定。

3.Python多進程實現方法二

還記得python多線程的第二種實現方法嗎?是通過類繼承的方法來實現的，python多進程的第二種實現方式也是一樣的

from multiprocessing import  Process

class MyProcess(Process): #繼承Process類
    def __init__(self,name):
        super(MyProcess,self).__init__()
        self.name = name

    def run(self):
        print('測試%s多進程' % self.name)


if __name__ == '__main__':
    process_list = []
    for i in range(5):  #開啟5個子進程執行fun1函數
        p = MyProcess('Python') #實例化進程對象
        p.start()
        process_list.append(p)

    for i in process_list:
        p.join()

    print('結束測試')

結果

測試Python多進程
測試Python多進程
測試Python多進程
測試Python多進程
測試Python多進程
結束測試
Process finished with exit code 0

效果和第一種方式一樣。

我們可以看到Python多進程的實現方式和多線程的實現方式幾乎一樣。

Process類的其他方法

構造方法：

Process([group [, target [, name [, args [, kwargs]]]]])

group: 線程組 

target: 要執行的方法

name: 進程名

args/kwargs: 要傳入方法的參數

實例方法：

is_alive()：返回進程是否在運行,bool類型。

join([timeout])：阻塞當前上下文環境的進程程，直到調用此方法的進程終止或到達指定的timeout（可選參數）。

start()：進程準備就緒，等待CPU調度

run()：strat()調用run方法，如果實例進程時未制定傳入target，這star執行t默認run()方法。

terminate()：不管任務是否完成，立即停止工作進程

屬性：

daemon：和線程的setDeamon功能一樣

name：進程名字

pid：進程號

關于join，daemon的使用和python多線程一樣，這里就不在復述了。

4.Python多線程的通信

進程是系統獨立調度核分配系統資源（CPU、內存）的基本單位，進程之間是相互獨立的，每啟動一個新的進程相當于把數據進行了一次克隆，子進程里的數據修改無法影響到主進程中的數據，不同子進程之間的數據也不能共享，這是多進程在使用中與多線程最明顯的區別。但是難道Python多進程中間難道就是孤立的嗎？當然不是，python也提供了多種方法實現了多進程中間的通信和數據共享（可以修改一份數據）

進程對列Queue

Queue在多線程中也說到過，在生成者消費者模式中使用，是線程安全的，是生產者和消費者中間的數據管道，那在python多進程中，它其實就是進程之間的數據管道，實現進程通信。

from multiprocessing import Process,Queue


def fun1(q,i):
    print('子進程%s 開始put數據' %i)
    q.put('我是%s 通過Queue通信' %i)

if __name__ == '__main__':
    q = Queue()

    process_list = []
    for i in range(3):
        p = Process(target=fun1,args=(q,i,))  #注意args里面要把q對象傳給我們要執行的方法，這樣子進程才能和主進程用Queue來通信
        p.start()
        process_list.append(p)

    for i in process_list:
        p.join()

    print('主進程獲取Queue數據')
    print(q.get())
    print(q.get())
    print(q.get())
    print('結束測試')

結果

子進程0 開始put數據
子進程1 開始put數據
子進程2 開始put數據
主進程獲取Queue數據
我是0 通過Queue通信
我是1 通過Queue通信
我是2 通過Queue通信
結束測試
Process finished with exit code 0

上面的代碼結果可以看到我們主進程中可以通過Queue獲取子進程中put的數據，實現進程間的通信。

管道Pipe

管道Pipe和Queue的作用大致差不多，也是實現進程間的通信，下面之間看怎么使用吧

from multiprocessing import Process, Pipe
def fun1(conn):
    print('子進程發送消息：')
    conn.send('你好主進程')
    print('子進程接受消息：')
    print(conn.recv())
    conn.close()

if __name__ == '__main__':
    conn1, conn2 = Pipe() #關鍵點，pipe實例化生成一個雙向管
    p = Process(target=fun1, args=(conn2,)) #conn2傳給子進程
    p.start()
    print('主進程接受消息：')
    print(conn1.recv())
    print('主進程發送消息：')
    conn1.send("你好子進程")
    p.join()
    print('結束測試')

結果

主進程接受消息：
子進程發送消息：
子進程接受消息：
你好主進程
主進程發送消息：
你好子進程
結束測試
Process finished with exit code 0

上面可以看到主進程和子進程可以相互發送消息

Managers

Queue和Pipe只是實現了數據交互，并沒實現數據共享，即一個進程去更改另一個進程的數據。那么久要用到Managers

from multiprocessing import Process, Manager

def fun1(dic,lis,index):

    dic[index] = 'a'
    dic['2'] = 'b'    
    lis.append(index)    #[0,1,2,3,4,0,1,2,3,4,5,6,7,8,9]
    #print(l)

if __name__ == '__main__':
    with Manager() as manager:
        dic = manager.dict()#注意字典的聲明方式，不能直接通過{}來定義
        l = manager.list(range(5))#[0,1,2,3,4]

        process_list = []
        for i in range(10):
            p = Process(target=fun1, args=(dic,l,i))
            p.start()
            process_list.append(p)

        for res in process_list:
            res.join()
        print(dic)
        print(l)

結果：

{0: 'a', '2': 'b', 3: 'a', 1: 'a', 2: 'a', 4: 'a', 5: 'a', 7: 'a', 6: 'a', 8: 'a', 9: 'a'}
[0, 1, 2, 3, 4, 0, 3, 1, 2, 4, 5, 7, 6, 8, 9]

可以看到主進程定義了一個字典和一個列表，在子進程中，可以添加和修改字典的內容，在列表中插入新的數據，實現進程間的數據共享，即可以共同修改同一份數據

5.進程池

進程池內部維護一個進程序列，當使用時，則去進程池中獲取一個進程，如果進程池序列中沒有可供使用的進進程，那么程序就會等待，直到進程池中有可用進程為止。就是固定有幾個進程可以使用。

進程池中有兩個方法：

• apply：同步，一般不使用

• apply_async：異步

from  multiprocessing import Process,Pool
import os, time, random

def fun1(name):
    print('Run task %s (%s)...' % (name, os.getpid()))
    start = time.time()
    time.sleep(random.random() * 3)
    end = time.time()
    print('Task %s runs %0.2f seconds.' % (name, (end - start)))

if __name__=='__main__':
    pool = Pool(5) #創建一個5個進程的進程池

    for i in range(10):
        pool.apply_async(func=fun1, args=(i,))

    pool.close()
    pool.join()
    print('結束測試')

結果

Run task 0 (37476)...
Run task 1 (4044)...
Task 0 runs 0.03 seconds.
Run task 2 (37476)...
Run task 3 (17252)...
Run task 4 (16448)...
Run task 5 (24804)...
Task 2 runs 0.27 seconds.
Run task 6 (37476)...
Task 1 runs 0.58 seconds.
Run task 7 (4044)...
Task 3 runs 0.98 seconds.
Run task 8 (17252)...
Task 5 runs 1.13 seconds.
Run task 9 (24804)...
Task 6 runs 1.46 seconds.
Task 4 runs 2.73 seconds.
Task 8 runs 2.18 seconds.
Task 7 runs 2.93 seconds.
Task 9 runs 2.93 seconds.
結束測試

對Pool對象調用join()方法會等待所有子進程執行完畢，調用join()之前必須先調用close()，調用close()之后就不能繼續添加新的Process了。

進程池map方法

案例來源于網絡，侵權請告知，謝謝

因為網上看到這個例子覺得不錯，所以這里就不自己寫案例，這個案例比較有說服力

import os 
import PIL 

from multiprocessing import Pool 
from PIL import Image

SIZE = (75,75)
SAVE_DIRECTORY = \'thumbs\'

def get_image_paths(folder):
    return (os.path.join(folder, f) 
            for f in os.listdir(folder) 
            if \'jpeg\' in f)

def create_thumbnail(filename): 
    im = Image.open(filename)
    im.thumbnail(SIZE, Image.ANTIALIAS)
    base, fname = os.path.split(filename) 
    save_path = os.path.join(base, SAVE_DIRECTORY, fname)
    im.save(save_path)

if __name__ == \'__main__\':
    folder = os.path.abspath(
        \'11_18_2013_R000_IQM_Big_Sur_Mon__e10d1958e7b766c3e840\')
    os.mkdir(os.path.join(folder, SAVE_DIRECTORY))

    images = get_image_paths(folder)

    pool = Pool()
    pool.map(creat_thumbnail, images) #關鍵點，images是一個可迭代對象
    pool.close()
    pool.join()

上邊這段代碼的主要工作就是將遍歷傳入的文件夾中的圖片文件，一一生成縮略圖，并將這些縮略圖保存到特定文件夾中。這我的機器上，用這一程序處理 6000 張圖片需要花費 27.9 秒。 map 函數并不支持手動線程管理，反而使得相關的 debug 工作也變得異常簡單。

map在爬蟲的領域里也可以使用，比如多個URL的內容爬取，可以把URL放入元祖里，然后傳給執行函數。

關于如何分析Python多進程就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。