python之路----进程三

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

IPC--PIPE管道

#创建管道的类：

Pipe([duplex]):在进程之间创建一条管道，并返回元组（conn1,conn2）,其中conn1，conn2表示管道两端的连接对象，强调一点：必须在产生Process对象之前产生管道

#参数介绍：

dumplex:默认管道是全双工的，如果将duplex射成False，conn1只能用于接收，conn2只能用于发送。

#主要方法：

    conn1.recv():接收conn2.send(obj)发送的对象。如果没有消息可接收，recv方法会一直阻塞。如果连接的另外一端已经关闭，那么recv方法会抛出EOFError。

    conn1.send(obj):通过连接发送对象。obj是与序列化兼容的任意对象

 #其他方法：

conn1.close():关闭连接。如果conn1被垃圾回收，将自动调用此方法

conn1.fileno():返回连接使用的整数文件描述符

conn1.poll([timeout]):如果连接上的数据可用，返回True。timeout指定等待的最长时限。如果省略此参数，方法将立即返回结果。如果将timeout射成None，操作将无限期地等待数据到达。

conn1.recv_bytes([maxlength]):接收c.send_bytes()方法发送的一条完整的字节消息。maxlength指定要接收的最大字节数。如果进入的消息，超过了这个最大值，将引发IOError异常，并且在连接上无法进行进一步读取。如果连接的另外一端已经关闭，再也不存在任何数据，将引发EOFError异常。

conn.send_bytes(buffer [, offset [, size]])：通过连接发送字节数据缓冲区，buffer是支持缓冲区接口的任意对象，offset是缓冲区中的字节偏移量，而size是要发送字节数。结果数据以单条消息的形式发出，然后调用c.recv_bytes()函数进行接收    

conn1.recv_bytes_into(buffer [, offset]):接收一条完整的字节消息，并把它保存在buffer对象中，该对象支持可写入的缓冲区接口（即bytearray对象或类似的对象）。offset指定缓冲区中放置消息处的字节位移。返回值是收到的字节数。如果消息长度大于可用的缓冲区空间，将引发BufferTooShort异常。

介绍

from multiprocessing import Process, Pipe

def f(conn):

    conn.send("Hello The_Third_Wave")

    conn.close()

if __name__ == '__main__':

    parent_conn, child_conn = Pipe()

    p = Process(target=f, args=(child_conn,))

    p.start()

    print(parent_conn.recv())

    p.join()

pipe初使用

管道：支持双向通信

from multiprocessing import Pipe

p1,p2 = Pipe()

p1.send('llll2')

print (p2.recv())

p2.send('lll23')

print (p1.recv())

队列 = 管道+锁支持双向通信
管道：数据不安全，没有锁的机制，基于管道和锁，实现了队列。

应该特别注意管道端点的正确管理问题。 如果是生产者或消费者中都没有使用管道的某个端点，就应将它关闭 。这也说明了为何在 生产者中关闭了管道的输出端，在消费者中关闭管道的输入端 。如果忘记执行这些步骤，程序可能在消费者中的recv（）操作上挂起。管道是由操作系统进行引用计数的，必须在所有进程中关闭管道后才能生成EOFError异常。因此，在生产者中关闭管道不会有任何效果，除非消费者也关闭了相同的管道端点。

from multiprocessing import Process, Pipe

def f(parent_conn,child_conn):

    #parent_conn.close() #不写close将不会引发EOFError

    while True:

        try:

            print(child_conn.recv())

        except EOFError:

            child_conn.close()

if __name__ == '__main__':

    parent_conn, child_conn = Pipe()

    p = Process(target=f, args=(parent_conn,child_conn,))

    p.start()

    child_conn.close()

    parent_conn.send('hello')

    parent_conn.close()

    p.join()

引发EOFError

from multiprocessing import Process,Pipe

def consumer(p,name):

    produce, consume=p

    produce.close()

    while True:

        try:

            baozi=consume.recv()

            print('%s 收到包子:%s' %(name,baozi))

        except EOFError:

            break

def producer(seq,p):

    produce, consume=p

    consume.close()

    for i in seq:

        produce.send(i)

if __name__ == '__main__':

    produce,consume=Pipe()

    c1=Process(target=consumer,args=((produce,consume),'c1'))

    c1.start()

    seq=(i for i in range(10))

    producer(seq,(produce,consume))

    produce.close()

    consume.close()

    c1.join()

    print('主进程')

pipe实现生产者消费者模型

from multiprocessing import Process,Pipe,Lock

def consumer(p,name,lock):

    produce, consume=p

    produce.close()

    while True:

        lock.acquire()

        baozi=consume.recv()

        lock.release()

        if baozi:

            print('%s 收到包子:%s' %(name,baozi))

        else:

            consume.close()

            break

def producer(p,n):

    produce, consume=p

    consume.close()

    for i in range(n):

        produce.send(i)

    produce.send(None)

    produce.send(None)

    produce.close()

if __name__ == '__main__':

    produce,consume=Pipe()

    lock = Lock()

    c1=Process(target=consumer,args=((produce,consume),'c1',lock))

    c2=Process(target=consumer,args=((produce,consume),'c2',lock))

    p1=Process(target=producer,args=((produce,consume),10))

    c1.start()

    c2.start()

    p1.start()

    produce.close()

    consume.close()

    c1.join()

    c2.join()

    p1.join()

    print('主进程')

多个消费之之间的竞争问题带来的数据不安全问题

进程之间的数据共享

展望未来，基于消息传递的并发编程是大势所趋

即便是使用线程，推荐做法也是将程序设计为大量独立的线程集合，通过消息队列交换数据。

这样极大地减少了对使用锁定和其他同步手段的需求，还可以扩展到分布式系统中。

但进程间应该尽量避免通信，即便需要通信，也应该选择进程安全的工具来避免加锁带来的问题。

进程间数据是独立的，可以借助于队列或管道实现通信，二者都是基于消息传递的

虽然进程间数据独立，但可以通过Manager实现数据共享，事实上Manager的功能远不止于此

A manager object returned by Manager() controls a server process which holds Python objects and allows other processes to manipulate them using proxies.

A manager returned by Manager() will support types list, dict, Namespace, Lock, RLock, Semaphore, BoundedSemaphore, Condition, Event, Barrier, Queue, Value and Array.

Manager模块介绍

from multiprocessing import Manager,Process,Lock

def work(d,lock):

    with lock: #不加锁而操作共享的数据,肯定会出现数据错乱

        d['count']-=1

if __name__ == '__main__':

    lock=Lock()

    with Manager() as m:

        dic=m.dict({'count':100})

        p_l=[]

        for i in range(100):

            p=Process(target=work,args=(dic,lock))

            p_l.append(p)

            p.start()

        for p in p_l:

            p.join()

        print(dic)

Manager例子

Pipe、Queue、JoinableQueue、Manager的区别：

Pipe 管道：双向通信，数据不安全

Queue队列：管道+锁，双向通信，数据安全

JoinableQueue: put 和get的一个计数机制，每次get数据之后发送task_done,put端接收到计数-1，直到计数为0时就能感知的到

Manager是一个类，提供了可以进行数据共享的一个机制，提供了很多数据类型list、dict......

进程池和multiprocess.Pool模块

进程池

为什么要有进程池?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？

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

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

参数介绍

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。

'''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。

'''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

主要方法

方法apply_async()和map_async（）的返回值是AsyncResul的实例obj。实例具有以下方法

obj.get():返回结果，如果有必要则等待结果到达。timeout是可选的。如果在指定时间内还没有到达，将引发一场。如果远程操作中引发了异常，它将在调用此方法时再次被引发。

obj.ready():如果调用完成，返回True

obj.successful():如果调用完成且没有引发异常，返回True，如果在结果就绪之前调用此方法，引发异常

obj.wait([timeout]):等待结果变为可用。

obj.terminate()：立即终止所有工作进程，同时不执行任何清理或结束任何挂起工作。如果p被垃圾回收，将自动调用此函数

其他方法(了解)

代码实例

进程池和多进程效率对比

import os

import time

import random

from multiprocessing import Pool

from multiprocessing import Process

def func(i):

    i += 1

if __name__ == '__main__':

    p = Pool(5)          # 创建了5个进程

    start = time.time()

    p.map(func,range(1000))   # target = func  args=next(iterable)  # [(1,2,3),1,2,3,4]

    p.close()   # 是不允许再向进程池中添加任务

    p.join()

    print(time.time() - start)

    start = time.time()

    l = []

    for i in range(1000):

        p = Process(target=func,args=(i,))  # 创建了一百个进程

        p.start()

        l.append(p)

    [i.join() for i in l]

    print(time.time() - start)

p.map进程池和进程效率测试

同步和异步

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)

进程池的同步调用

import os

import time

import 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

进程池的异步调用

练习

#Pool内的进程数默认是cpu核数，假设为4（查看方法os.cpu_count()）

#开启6个客户端，会发现2个客户端处于等待状态

#在每个进程内查看pid，会发现pid使用为4个，即多个客户端公用4个进程

from socket import *

from multiprocessing import Pool

import os

server=socket(AF_INET,SOCK_STREAM)

server.setsockopt(SOL_SOCKET,SO_REUSEADDR,1)

server.bind(('127.0.0.1',8080))

server.listen(5)

def talk(conn):

    print('进程pid: %s' %os.getpid())

    while True:

        try:

            msg=conn.recv(1024)

            if not msg:break

            conn.send(msg.upper())

        except Exception:

            break

if __name__ == '__main__':

    p=Pool(4)

    while True:

        conn,*_=server.accept()

        p.apply_async(talk,args=(conn,))

        # p.apply(talk,args=(conn,client_addr)) #同步的话，则同一时间只有一个客户端能访问

server：进程池版socket并发聊天

from socket import *

client=socket(AF_INET,SOCK_STREAM)

client.connect(('127.0.0.1',8080))

while True:

    msg=input('>>: ').strip()

    if not msg:continue

    client.send(msg.encode('utf-8'))

    msg=client.recv(1024)

    print(msg.decode('utf-8'))

client

发现：并发开启多个客户端，服务端同一时间只有4个不同的pid，只能结束一个客户端，另外一个客户端才会进来.