multiprocessing 文档：https://docs.python.org/zh-cn/3.10/library/multiprocessing.html
Process、Lock、Semaphore、Queue、Pipe、Pool：https://cuiqingcai.com/3335.html

把一个多线程改成多进程，主要有下面几种方法：

1. subprocess
2. signal
3. threading
4. multiprocessing
5. concurrent.futures 标准库。它提供了 ThreadPoolExecutor 和 ProcessPoolExecutor 两个类，实现了对 threading 和 multiprocessing 的更高级的抽象，对编写 线程池/进程池 提供了直接的支持。 

使用示例代码：

# -*- coding: utf-8 -*-import redis
from redis import WatchError
from concurrent.futures import ProcessPoolExecutorr = redis.Redis(host='127.0.0.1', port=6379)# 减库存函数, 循环直到减库存完成
# 库存充足, 减库存成功, 返回True
# 库存不足, 减库存失败, 返回Falsedef reduce_stock():# python中redis事务是通过pipeline的封装实现的with r.pipeline() as pipe:while True:try:# watch库存键, multi后如果该key被其他客户端改变, # 事务操作会抛出WatchError异常pipe.watch('stock:count')count = int(pipe.get('stock:count'))if count > 0:  # 有库存# 事务开始pipe.multi()pipe.decr('stock:count')# 把命令推送过去# execute返回命令执行结果列表, 这里只有一个decr返回当前值print(pipe.execute()[0])return Trueelse:return Falseexcept WatchError as ex:# 打印WatchError异常, 观察被watch锁住的情况print(ex)pipe.unwatch()def worker():while True:# 没有库存就退出if not reduce_stock():breakif __name__ == "__main__":# 设置库存为100r.set("stock:count", 100)# 多进程模拟多个客户端提交with ProcessPoolExecutor() as pool:for _ in range(10):pool.submit(worker)

1、Python 单线程 和 多线程

Python 单线程

# -*- coding:utf-8 -*-import time
import datetimedef music(argv):for i in range(2):print("听音乐  %s. %s" % (argv, datetime.datetime.now()))time.sleep(1)def movie(argv):for i in range(2):print("看电影  {}. {}".format(argv, datetime.datetime.now()))time.sleep(5)if __name__ == '__main__':music('trouble is a friend')movie('变形金刚')print(f"all over {datetime.datetime.now()}")

Python 多线程

Python 中使用线程有两种方式：

• 通过使用 start_new_thread 函数
• 用类来包装线程对象。

start_new_thread() 函数来产生新线程

函数式：调用 _thread 模块中的 start_new_thread() 函数来产生新线程

语法如下：

• _thread.start_new_thread ( function, args[, kwargs] )

参数说明:

• function - 线程函数。
• args - 传递给线程函数的参数,他必须是个tuple类型。
• kwargs - 可选参数。

使用示例：

import time
import _thread# 为线程定义一个函数
def print_time(thread_name, delay):count = 0while count < 5:time.sleep(delay)count += 1print("%s: %s" % (thread_name, time.ctime(time.time())))if __name__ == '__main__':try:# 创建两个线程_thread.start_new_thread(print_time, ("Thread-1", 2,))_thread.start_new_thread(print_time, ("Thread-2", 4,))except BaseException as be:print(f"Error: 无法启动线程 ---> {be}")while True:pass

通过 继承 threading.Thread 来实现多线程

使用 Threading 模块创建线程，直接从 threading.Thread 继承，然后重写 run 方法：

import threading
import timeexitFlag = 0class myThread(threading.Thread):def __init__(self, threadID, name, delay):threading.Thread.__init__(self)self.threadID = threadIDself.name = nameself.delay = delaydef run(self):print("开始线程：" + self.name)print_time(self.name, self.delay, 5)print("退出线程：" + self.name)def print_time(threadName, delay, counter):while counter:if exitFlag:threadName.exit()time.sleep(delay)print("%s: %s" % (threadName, time.ctime(time.time())))counter -= 1# 创建新线程
thread1 = myThread(1, "Thread-1", 1)
thread2 = myThread(2, "Thread-2", 2)# 开启新线程
thread1.start()
thread2.start()
thread1.join()
thread2.join()
print("退出主线程")

_thread 和 threading 模块（ 强烈建议直接使用 threading ）。python 提供了两个模块来实现多线程。 thread 有一些缺点，在 threading 得到了弥补。

setDaemon(True) 设置 精灵进程 。 

setDaemon(True) 将线程声明为守护线程，必须在 start() 方法调用之前设置，如果不设置为守护线程程序会被无限挂起。子线程启动后，父线程也继续执行下去，当父线程执行完最后一条语句 print("父进程退出") 后，没有等待子线程，直接就退出了，同时子线程也一同结束。

# -*- coding: utf-8 -*-import time
import threading
import datetimedef music(music_name):for i in range(2):print(f"[{datetime.datetime.now().replace(microsecond=0)}] 听音乐 {music_name}")time.sleep(1)def movie(movie_name):for i in range(2):print(f"[{datetime.datetime.now().replace(microsecond=0)}] 看电影 {movie_name}")time.sleep(5)tid_list = [threading.Thread(target=music, args=('trouble is a friend',)),threading.Thread(target=movie, args=('变形金刚',))
]if __name__ == '__main__':for tid in tid_list:tid.setDaemon(True)tid.start()print("父进程退出")pass

join() 方法，等待线程终止

join() 的作用是，在子线程完成运行之前，这个子线程的父线程将一直被阻塞。注意：上面程序中 join() 方法的位置是在 for 循环外的，也就是说必须等待for循环里的两个进程都结束后，才去执行主进程。

# -*- coding: utf-8 -*-import time
import threading
import datetimedef music(music_name):for i in range(2):print(f"[{datetime.datetime.now().replace(microsecond=0)}] 听音乐 {music_name}")time.sleep(1)def movie(movie_name):for i in range(2):print(f"[{datetime.datetime.now().replace(microsecond=0)}] 看电影 {movie_name}")time.sleep(5)tid_list = [threading.Thread(target=music, args=('trouble is a friend',)),threading.Thread(target=movie, args=('变形金刚',))
]if __name__ == '__main__':for tid in tid_list:tid.start()for tid in tid_list:tid.join()print("父进程退出")

threading.Thread 方法说明

t.start()       激活线程，   
t.getName()     获取线程的名称   
t.setName()     设置线程的名称   
t.name          获取或设置线程的名称   
t.is_alive()    判断线程是否为激活状态   
t.isAlive()     判断线程是否为激活状态   
t.setDaemon()   设置为后台线程或前台线程（默认：False）;通过一个布尔值设置线程是否为守护线程，必须在执行start()方法之后才可以使用。如果是后台线程，主线程执行过程中，后台线程也在进行，主线程执行完毕后，后台线程不论成功与否，均停止；如果是前台线程，主线程执行过程中，前台线程也在进行，主线程执行完毕后，等待前台线程也执行完成后，程序停止   
t.isDaemon()    判断是否为守护线程   
t.ident         获取线程的标识符。线程标识符是一个非零整数，只有在调用了start()方法之后该属性才有效，否则它只返回None。   
t.join()        逐个执行每个线程，执行完毕后继续往下执行，该方法使得多线程变得无意义   
t.run()         线程被cpu调度后自动执行线程对象的run方法

2、线程同步

如果多个线程共同对某个数据修改，则可能出现不可预料的结果，为了保证数据的正确性，需要对多个线程进行同步。

        多线程的优势在于可以同时运行多个任务（至少感觉起来是这样）。但是当线程需要共享数据时，可能存在数据不同步的问题。考虑这样一种情况：一个列表里所有元素都是 0，线程 "set" 从后向前把所有元素改成1，而线程 "print" 负责从前往后读取列表并打印。那么，可能线程 "set" 开始改的时候，线程 "print" 便来打印列表了，输出就成了一半 0 一半 1，这就是 数据的不同步。
为了避免这种情况，引入了 锁 的概念。锁有两种状态：锁定 和 未锁定。
每当一个线程比如 "set" 要访问共享数据时，必须先获得锁定；如果已经有别的线程比如 "print" 获得锁定了，那么就让线程 "set" 暂停，也就是同步阻塞；等到线程 "print" 访问完毕，释放锁以后，再让线程 "set" 继续。经过这样的处理，打印列表时要么全部输出0，要么全部输出1，不会再出现一半0一半1的尴尬场面。

线程锁 threading.RLock 和 threading.Lock

使用 Thread对象 的 Lock 和 Rlock 可以实现简单的线程同步，这两个对象都有 acquire方法 和 release方法。对于那些需要每次只允许一个线程操作的数据，可以将其操作放到 acquire 和release 方法之间。

threading.RLock 和 threading.Lock 的区别：

• RLock 允许在同一线程中被多次 acquire。而 Lock 却不允许这种情况。使用 RLock 时 acquire 和 release 必须成对出现，即调用了 n 次 acquire，必须调用 n 次的release 才能真正释放所占用的琐。

# -*- coding: utf-8 -*-import threadinglock = threading.Lock()    # Lock对象
rLock = threading.RLock()  # RLock对象 def main_1():lock.acquire()lock.acquire()  # 产生了死琐。lock.release()lock.release()def main_2():    rLock.acquire()rLock.acquire()  # 在同一线程内，程序不会堵塞。 rLock.release()rLock.release()

示例：

# -*- coding: utf-8 -*-import time
import datetime
import threading# 定义一个 "线程锁"
threadLock = threading.Lock()count = 20class MyThread(threading.Thread):def __init__(self, name, delay_second):threading.Thread.__init__(self)self.name = nameself.delay_second = delay_seconddef run(self):print("Starting " + self.name)result = print_time()while result > 0:print(f"[{datetime.datetime.now().replace(microsecond=0)}] {self.name} ---> {result}")result = print_time()time.sleep(self.delay_second)def print_time():# 获得锁，成功获得锁定后返回 True# 可选的 timeout 参数不填时将一直阻塞直到获得锁定# 否则超时后将返回 FalsethreadLock.acquire()global countcount -= 1# 释放锁threadLock.release()return countif __name__ == '__main__':tid_list = [MyThread("thread_1", 1),MyThread("thread_2", 1)]for tid in tid_list:tid.start()for tid in tid_list:tid.join()print("主线程退出")pass

示例：

import threading
import time
globals_num = 0
lock = threading.RLock()def func():lock.acquire()  # 获得锁global globals_numglobals_num += 1time.sleep(1)print(globals_num)lock.release()  # 释放锁for i in range(10):t = threading.Thread(target=func)t.start()pass

Python 的 queue ( 线程安全 )

：https://docs.python.org/zh-cn/3.10/search.html?q=queue+&check_keywords=yes&area=default

Python 的 queue 模块中提供了同步的、线程安全的队列类。包括

• FIFO（先入先出) 队列
• LIFO（后入先出）队列
• 优先级队列 PriorityQueue

这些队列都实现了 锁原语，能够在多线程中直接使用。可以使用队列来实现线程间的同步。

 Queue 模块中的常用方法:

Queue.qsize()    返回队列的大小
Queue.empty()    如果队列为空，返回True,反之False
Queue.full()     如果队列满了，返回True,反之False
Queue.full 与 maxsize 大小对应
Queue.get([block[, timeout]]) 获取队列，timeout是等待时间
Queue.get_nowait()            相当Queue.get(False)
Queue.put(item)               写入队列，timeout是等待时间
Queue.put_nowait(item)        相当Queue.put(item, False)
Queue.task_done()             在完成一项工作之后，Queue.task_done()函数向任务已经完成的队列发送一个信号
Queue.join()                  实际上意味着等到队列为空，再执行别的操作

示例：

# -*- coding: utf-8 -*-import time
import queue
import threadingtask_queue = queue.Queue()def produce():while True:for num in range(100):task_queue.put(num)time.sleep(0.1)def consume():while True:if task_queue.empty():print('队列为空')continuenum = task_queue.get()print(num)time.sleep(1)if __name__ == '__main__':thread_list = []t1 = threading.Thread(target=produce)thread_list.append(t1)for i in range(3):t_id = threading.Thread(target=consume)thread_list.append(t_id)for index in thread_list:index.start()for index in thread_list:index.join()

threading.Condition

一个 condition 变量总是与某些类型的锁相联系，当几个condition变量必须共享和同一个锁的时候，是很有用的。锁 是 conditon 对象的一部分：没有必要分别跟踪。

Condition 类实现了一个 conditon 变量。这个 conditiaon 变量允许一个或多个线程等待，直到他们被另一个线程通知。

• 如果 lock 参数非空，那么他必须是一个 lock 或者 Rlock 对象，它用来做底层锁。
• 如果 lock 参数为空，则会创建一个新的 Rlock 对象，用来做底层锁。

condition 变量服从上下文管理协议：with 语句块封闭之前可以获取与锁的联系。
acquire() 和 release() 会调用与锁相关联的相应的方法。
其他和锁关联的方法必须被调用，wait()方法会释放锁，
当另外一个线程使用 notify() or notify_all()唤醒它之前会一直阻塞。一旦被唤醒，wait()会重新获得锁并返回，
wait(timeout=None) ：等待通知，或者等到设定的超时时间。
当调用这wait()方法时，如果调用它的线程没有得到锁，那么会抛出一个RuntimeError异常。
wati()释放锁以后，在被调用相同条件的另一个进程用notify() or notify_all() 叫醒之前会一直阻塞。
wait()还可以指定一个超时时间。 如果有等待的线程，notify()方法会唤醒一个在等待conditon变量的线程。notify_all() 则会唤醒所有在等待conditon变量的线程。

注意： notify()和notify_all()不会释放锁，也就是说，线程被唤醒后不会立刻返回他们的wait() 调用。
除非线程调用notify()和notify_all()之后放弃了锁的所有权。
在典型的设计风格里，利用condition变量用锁去通许访问一些共享状态，线程在获取到它想得到的状态前，会反复调用wait()。
修改状态的线程在他们状态改变时调用 notify() or notify_all()，用这种方式，线程会尽可能的获取到想要的一个等待者状态。

例子：生产者-消费者模型

import threading
import timedef consumer(cond):with cond:print("consumer before wait")cond.wait()print("consumer after wait")def producer(cond):with cond:print("producer before notifyAll")cond.notifyAll()print("producer after notifyAll")condition = threading.Condition()
consumer_1 = threading.Thread(name="c1", target=consumer, args=(condition,))
consumer_2 = threading.Thread(name="c2", target=consumer, args=(condition,))
producer = threading.Thread(name="p", target=producer, args=(condition,))consumer_1.start()
time.sleep(2)
consumer_2.start()
time.sleep(2)
producer.start()

python 多进程共享变量

https://my.oschina.net/leejun2005/blog/203148

共享内存 (Shared memory)

Data can be stored in a shared memory map using Value or Array. 

For example, the following code.   16.6. multiprocessing — Process-based “threading” interface — Python 2.7.18 documentation

在使用并发设计的时候最好尽可能的避免共享数据，尤其是在使用多进程的时候。如果你真有需要要共享数据， multiprocessing提供了两种方式。

multiprocessing 中的 Array 和 Value。数据可以用 Value 或 Array 存储在一个共享内存地图里，如下：

from multiprocessing import Array, Value, Processdef func(a, b):a.value = 3.333333333333333for j in range(len(b)):b[j] = -b[j]if __name__ == "__main__":num = Value('d', 0.0)arr = Array('i', range(11))if 0:t = Process(target=func, args=(num, arr))t.start()t.join()else:c = Process(target=func, args=(num, arr))d = Process(target=func, args=(num, arr))c.start()d.start()c.join()d.join()print(num.value)print(arr[:])for i in arr:print i,

输出

3.33333333333
0 1 2 3 4 5 6 7 8 9 10

创建 num 和 arr 时，“d”和“i”参数 由Array模块使用的typecodes创建：“d”表示一个双精度的浮点数，“i”表示一个有符号的整数，这些共享对象将被线程安全的处理。

Array(‘i’, range(10))中的‘i’参数：   
‘c’: ctypes.c_char    
‘u’: ctypes.c_wchar    
‘b’: ctypes.c_byte    
‘B’: ctypes.c_ubyte
‘h’: ctypes.c_short    
‘H’: ctypes.c_ushort   
‘i’: ctypes.c_int     
‘I’: ctypes.c_uint  
‘l’: ctypes.c_long,    
‘L’: ctypes.c_ulong    
‘f’: ctypes.c_float    
‘d’: ctypes.c_double

Server process

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, Queue, Value and Array.

16.6. multiprocessing — Process-based “threading” interface — Python 2.7.18 documentation

multiprocessing 中的 Manager()

Python中进程间共享数据，除了基本的queue，pipe和value+array外，还提供了更高层次的封装。使用multiprocessing.Manager可以简单地使用这些高级接口。
Manager()返回的manager对象控制了一个server进程，此进程包含的python对象可以被其他的进程通过proxies来访问。从而达到多进程间数据通信且安全。
Manager支持的类型有list,dict,Namespace,Lock,RLock,Semaphore,BoundedSemaphore,Condition,Event,Queue,Value和Array。

from multiprocessing import Process, Managerdef f(d, l):d["name"] = "king"d["age"] = 100d["Job"] = "python"l.reverse()if __name__ == "__main__":with Manager() as man:d_temp = man.dict()l_temp = man.list(range(10))p = Process(target=f, args=(d_temp, l_temp))p.start()p.join()print(d_temp)print(l_temp) 

Server process manager 比 shared memory 更灵活，因为它可以支持任意的对象类型。另外，一个单独的manager可以通过进程在网络上不同的计算机之间共享，不过他比shared memory要慢。

3、Python 线程的事件 ( threading.Event )

Python 线程的事件用于主线程控制其他线程的执行。

事件主要提供了三个方法

• set 。将 “Flag” 设置为 False
• wait 。将 “Flag” 设置为 True
• clear 。判断标识位是否为Ture。

事件处理的机制：全局定义了一个 “Flag”，如果 “Flag” 值为 False，那么当程序执行 event.wait 方法时就会阻塞，如果 “Flag” 值为True，那么 event.wait 方法时便不再阻塞。

import threadingdef do(event):print('start')event.wait()print('execute')event_obj = threading.Event()
for i in range(10):t = threading.Thread(target=do, args=(event_obj,))t.start()event_obj.clear()
# inp = input('input:')
inp = raw_input('input:')
if inp == 'true':event_obj.set()

当线程执行的时候，如果 flag 为False，则线程会阻塞，当 flag 为True 的时候，线程不会阻塞。它提供了 本地 和 远程 的并发性。

4、Python 协程

关于协程，可以参考 greenlet、stackless、gevent、eventlet 等的实现。

我们知道并发（不是并行）编程目前有四种方式，多进程，多线程，异步，和协程。

多线程编程 Python 中有 Thread 和 threading，在 linux 下所谓的线程，实际上是 LWP 轻量级进程，其在内核中具有和进程相同的调度方式，有关 LWP，COW（写时拷贝），fork，vfork，clone等的资料较多，不再赘述。异步在 linux 下主要有三种实现 select，poll，epoll 。

协程 又称 微线程 。英文名 Coroutine。 

协程的好处：

• 无需线程上下文切换的开销
• 无需原子操作锁定及同步的开销
• 方便切换控制流，简化编程模型
• 高并发+高扩展性+低成本：一个CPU支持上万的协程都不是问题。所以很适合用于高并发处理。

缺点：

• 无法利用多核资源：协程的本质是个单线程，它不能同时将单个 CPU 的多个核用上，协程需要和进程配合才能运行在多CPU上。当然我们日常所编写的绝大部分应用都没有这个必要，除非是cpu密集型应用。
• 进行阻塞（Blocking）操作（如IO时）会阻塞掉整个程序

"函数 ( 又叫 子程序 ) " 在所有语言中都是层级调用，比如 A 调用 B，B 在执行过程中又调用了 C，C 执行完毕返回，B 执行完毕返回，最后是 A 执行完毕。所以子程序调用是通过栈实现的，一个线程就是执行一个子程序。

• 子程序调用总是一个入口，一次返回，调用顺序是明确的。
• 协程的调用 和 子程序不同。协程看上去也是子程序，但执行过程中，在子程序内部可中断，然后转而执行别的子程序，在适当的时候再返回来接着执行。注意：是在一个子程序中中断，去执行其他子程序，不是函数调用，有点类似CPU的中断。

比如：子程序 A、B：

def A():print '1'print '2'print '3'def B():print 'x'print 'y'print 'z'

假设由协程执行，在执行A的过程中，可以随时中断，去执行B，B 也可能在执行过程中中断再去执行A，结果可能是：

1
2
x
y
3
z

但是在A中是没有调用B的，所以协程的调用比函数调用理解起来要难一些。看起来 A、B 的执行有点像多线程，但协程的特点在于是一个线程执行，

协程和多线程比，协程有何优势？

• 协程最大的优势就是协程极高的执行效率。因为是子程序切换不是线程切换，而是由程序自身控制，因此，没有线程切换的开销，和多线程比，线程数量越多，协程的性能优势就越明显。
• 第二大优势就是不需要多线程的锁机制。因为只有一个线程，也不存在同时写变量冲突，在协程中控制共享资源不加锁，只需要判断状态就好了，所以执行效率比多线程高很多。

因为协程是一个线程执行，那怎么利用多核CPU呢 ？

• 多进程 + 协程，既充分利用多核，又充分发挥协程的高效率，可获得极高的性能。

一个例子：

传统的生产者-消费者模型是一个线程写消息，一个线程取消息，通过锁机制控制队列和等待，但一不小心就可能死锁。如果改用协程，生产者生产消息后，直接通过yield跳转到消费者开始执行，待消费者执行完毕后，切换回生产者继续生产，效率极高：

import timedef consumer():r = ''while True:n = yield rif not n:returnprint('[CONSUMER] Consuming %s...' % n)time.sleep(1)r = '200 OK'def produce(c):c.next()n = 0while n < 5:n = n + 1print('[PRODUCER] Producing %s...' % n)r = c.send(n)print('[PRODUCER] Consumer return: %s' % r)c.close()if __name__=='__main__':c = consumer()produce(c)

执行结果：

[PRODUCER] Producing 1...
[CONSUMER] Consuming 1...
[PRODUCER] Consumer return: 200 OK
[PRODUCER] Producing 2...
[CONSUMER] Consuming 2...
[PRODUCER] Consumer return: 200 OK
[PRODUCER] Producing 3...
[CONSUMER] Consuming 3...
[PRODUCER] Consumer return: 200 OK
[PRODUCER] Producing 4...
[CONSUMER] Consuming 4...
[PRODUCER] Consumer return: 200 OK
[PRODUCER] Producing 5...
[CONSUMER] Consuming 5...
[PRODUCER] Consumer return: 200 OK

注意到consumer函数是一个generator（生成器），把一个consumer传入produce后：
        1. 首先调用c.next()启动生成器；
        2. 然后，一旦生产了东西，通过c.send(n)切换到consumer执行；
        3. consumer通过yield拿到消息，处理，又通过yield把结果传回；
        4. produce拿到consumer处理的结果，继续生产下一条消息；
        5. produce决定不生产了，通过c.close()关闭consumer，整个过程结束。

整个流程无锁，由一个线程执行，produce和consumer协作完成任务，所以称为“协程”，而非线程的抢占式多任务。

最后套用Donald Knuth的一句话总结协程的特点：“子程序就是协程的一种特例”

线程和进程的操作是由程序触发系统接口，最后的执行者是系统；协程的操作则是程序员。
协程存在的意义：对于多线程应用，CPU通过切片的方式来切换线程间的执行，线程切换时需要耗时（保存状态，下次继续）。
协程，则只使用一个线程，在一个线程中规定某个代码块执行顺序。
协程的适用场景：当程序中存在大量不需要CPU的操作时（IO），
event loop是协程执行的控制点，如果你希望执行协程，就需要用到它们。
event loop提供了如下的特性： 

                 注册、执行、取消延时调用(异步函数)、创建用于通信的client和server协议(工具)、创建和别的程序通信的子进程和协议(工具) 把函数调用送入线程池中

协程示例：

import asyncioasync def cor1():print("COR1 start")await cor2()print("COR1 end")async def cor2():print("COR2")asyncio.run(cor1())

python 的 greenlet 模块

import greenlet
def fun1():print("12")gr2.switch()print("56")gr2.switch()def fun2():print("34")gr1.switch()print("78")gr1 = greenlet.greenlet(fun1)
gr2 = greenlet.greenlet(fun2)
gr1.switch()

greenlet、Eventlet，gevent ( 推荐 )、

• greenlet ：是使用生成器实现的协程，调度起来很麻烦，而且不是正在意义上的协程，只是实现的代码执行过程中的挂起，唤醒操作。Greenlet没有自己的调度过程，所以一般不会直接使用。greenlet：http://greenlet.readthedocs.org/en/latest/
• eventlet：是在 greenlet 的基础上实现了自己的 GreenThread，实际上就是 greenlet 类的扩展封装，而与Greenlet的不同是，Eventlet实现了自己调度器称为Hub，Hub类似于Tornado的IOLoop，是单实例的。在Hub中有一个event loop，根据不同的事件来切换到对应的GreenThread。同时 Eventlet 还实现了一系列的补丁来使 Python 标准库中的 socket 等等module 来支持 GreenThread 的切换。Eventlet 的 Hub 可以被定制来实现自己调度过程。eventlet 目前支持 CPython 2.7 和 3.4+ 并将在未来删除，仅保留 CPython 3.5+ 支持。
• Gevent：基于 libev 与 Greenlet 实现。不同于 Eventlet 的用 python 实现的 hub 调度，Gevent 通过 Cython 调用 libev 来实现一个高效的 event loop 调度循环。同时类似于 Event，Gevent 也有自己的 monkey_patch，在打了补丁后，完全可以使用 python 线程的方式来无感知的使用协程，减少了开发成本。

在 Python 的世界里由于 GIL 的存在，线程一直都不是很好用，所以就有了各种协程的 hack。Gevnet 是当前使用起来最方便的协程，但是由于依赖于 libev 所以不能在 pypy上 跑，如果需要在pypy上使用协程，Eventlet 是最好的选择。

gevent 属于第三方模块需要下载安装包
        pip3 install --upgrade pip3
        pip3 install gevent

示例：

import gevent
def fun1():print("www.baidu.com")  # 第一步gevent.sleep(0)print("end the baidu.com")  # 第三步def fun2():print("www.zhihu.com")  # 第二步gevent.sleep(0)print("end th zhihu.com")  # 第四步gevent.joinall([gevent.spawn(fun1),gevent.spawn(fun2),
])

示例：遇到 IO 操作自动切换：

import gevent
from gevent import monkey
from datetime import datetime
monkey.patch_all()
import requestsdef func(url):print(f"[{datetime.now().replace(microsecond=0)}] 开始请求 {url}")gevent.sleep(0)proxies = {"http": "http://172.17.18.80:8080","https": "http://172.17.18.80:8080",}proxies = Noneresp = requests.get(url, proxies=proxies)print(f"[{datetime.now().replace(microsecond=0)}] {{resp.url}} ---> {len(resp.content)}")gevent.joinall([gevent.spawn(func, 'https://www.baidu.com/'),gevent.spawn(func, 'https://www.sina.com.cn/'),gevent.spawn(func, 'https://www.qq.com/'),
])

多线程 + 协程：

# -*- coding=utf-8 -*-import requestsfrom multiprocessing import Process
import gevent
from gevent import monkeymonkey.patch_all()import sys
from importlib import reloadreload(sys)
sys.setdefaultencoding('utf8')def fetch(url):try:s = requests.Session()r = s.get(url, timeout=1)  # 在这里抓取页面except BaseException as be:print(be)return Nonedef setup_process(url_list):tasks = []for url in url_list:tasks.append(gevent.spawn(fetch, url))gevent.joinall(tasks)  # 使用协程来执行def main(filepath, per_task=100000):  # 每10W条url启动一个进程with open(filepath, 'r') as f:  # 从给定的文件中读取urlurl_list = f.readlines()url_list = [temp.strip() for temp in url_list]url_len = len(url_list)process_count = int(url_len / per_task) if url_len % per_task == 0 else int(url_len / per_task) + 1for index in range(process_count):task_list = url_list[index * per_task: (index + 1) * per_task]p = Process(target=setup_process, args=(url_list,))p.start()if __name__ == '__main__':main('./test_data.txt')  # 读取指定文件

例子中隐藏了一个问题：进程的数量会随着 url 数量的增加而不断增加，我们在这里不使用进程池multiprocessing.Pool 来控制进程数量的原因是 multiprocessing.Pool 和 gevent 有冲突不能同时使用，但是有兴趣的同学可以研究一下 gevent.pool 这个协程池。

"""
对于有些人来说Gevent和multiprocessing组合在一起使用算是个又高大上又奇葩的工作模式.
Python的多线程受制于GIL全局锁的特性，Gevent身为协程也是线程的一种，只是io调度上自己说了算而已。那么如何使用多个cpu核心？
可以利用多进程 mutliprocessing 来进行多核并行工作，
在多进程里面使用gevent协程框架可以更好的做io调度,相比线程来说减少了无谓的上下文切换.废话少说，直接上个例子.
下面是多进程下生产者消费者的工作模式
"""import datetime
from multiprocessing import Process, cpu_count, Queue, JoinableQueue
import gevent
from gevent import monkey
monkey.patch_all()class Consumer(object):def __init__(self, task_queue, task_list, consumer_name):self.task_queue = task_queueself.task_list = task_listself.consumer_name = consumer_nameself.__run_gevent()def __run_gevent(self):jobs = [gevent.spawn(self.__print_value) for x in range(self.task_list)]gevent.joinall(jobs)def __print_value(self):while True:value = self.task_queue.get()if value is None:self.task_queue.task_done()breakelse:print(f"[{datetime.datetime.now()}] {self.consumer_name} ---> value: {value}")returnclass Producer(object):def __init__(self, task_queue, task_list, producer_name, consumers_tasks):self.task_queue = task_queueself.task_list = task_listself.producer_name = producer_nameself.consumer_tasks = consumers_tasksself.__run_gevent()def __run_gevent(self):jobs = [gevent.spawn(self.produce) for x in range(self.task_list)]gevent.joinall(jobs)for x in range(self.consumer_tasks):self.task_queue.put_nowait(None)self.task_queue.close()def produce(self):for no in range(10000):print(no)self.task_queue.put(no, block=False)returndef main():worker_count = cpu_count() * 2task_queue = JoinableQueue()producer_gevent = 10consumer_gevent = 7pid_list = []for index in range(worker_count):if not index % 2:pid = Process(target=Producer,args=(task_queue, 10, f"producer_{index}", consumer_gevent))pid.start()pid_list.append(pid)else:pid = Process(target=Consumer,args=(task_queue, consumer_gevent, f"consumer_{index}"))pid.start()pid_list.append(pid)for pid in pid_list:pid.join()if __name__ == '__main__':main()

5、Python 的 multiprocessing  模块

5.1 关于 multiprocessing

由于 Python 设计的限制 ( 这里指 CPython，GLI )。最多只能用满1个CPU核心。但是 Python 的多进程包 multiprocessing 可以轻松完成从单进程到并发执行的转换。像 线程一样管理进程，这个是 mutilprocess 的核心，他与 threading 很是相像，对多核CPU的利用率会比 threading 好的多。

此外 multiprocessing包中也有 Lock / Event / Semaphore / Condition类，用来同步进程，其用法也与 threading 包中的同名类一样。multiprocessing 的很大一部份与 threading 使用同一套 API，只不过换到了多进程的情境。但在使用这些共享API的时候，我们要注意以下几点：

• 在 UNIX 平台上，当某个进程终结之后，该进程需要被其父进程调用 wait，否则进程成为僵尸进程(Zombie)。所以，有必要对每个Process对象调用join()方法 (实际上等同于wait)。对于多线程来说，由于只有一个进程，所以不存在此必要性。
• multiprocessing 提供了 threading 包中没有的 IPC ( 比如：Pipe 和 Queue )，效率上更高。应优先考虑 Pipe 和 Queue，避免使用 Lock / Event / Semaphore / Condition 等同步方式 (因为它们占据的不是用户进程的资源 )。
• 多进程应该避免共享资源。在多线程中，我们可以比较容易地共享资源，比如 使用全局变量或者传递参数。在多进程情况下，由于每个进程有自己独立的内存空间，以上方法并不合适。此时我们可以通过 "共享内存" 和 "Manager 的方法" 来共享资源。但这样做提高了程序的复杂度，并因为同步的需要而降低了程序的效率。
• Process.PID中保存有PID，如果进程还没有start()，则PID为None。

​

5.2 multiprocessing.Process

Process 类的构造方法：

__init__(self, group=None, target=None, name=None, args=(), kwargs={})
参数说明：
    group：进程所属组。基本不用
    target：表示调用对象。
    args：表示调用对象的位置参数元组。
    name：别名
    kwargs：表示调用对象的字典。
 

利用 multiprocessing.Process 可以创建一个 Process 对象，该对象与 Thread对象 的用法相同，拥有如下方法：

• is_alive()
• join([timeout])
• run()
• start()
• terminate()
• ........

属性有：

• authkey
• daemon（要通过start()设置）、
• exitcode(进程在运行时为None、如果为–N，表示被信号N结束）、
• name
• pid
• ........

直接 创建 进程

# -*- coding: utf-8 -*-import multiprocessingdef worker_func(num):print(f'worker_func ---> {num}')def main():pid_list = []for i in range(5):pid = multiprocessing.Process(target=worker_func, args=(i,))pid_list.append(pid)for pid in pid_list:pid.start()for pid in pid_list:pid.join()if __name__ == '__main__':main()

继承 multiprocessing.Process 创建 进程

利用 class 来创建进程，定制子类

import multiprocessingclass Worker(multiprocessing.Process):def run(self):print('In %s' % self.name)returnif __name__ == '__main__':jobs = []for i in range(5):p = Worker()jobs.append(p)p.start()for j in jobs:j.join()

守护进程

守护进程就是不阻挡主程序退出，自己干自己的。 mutilprocess.setDaemon(True)就这句。

等待守护进程退出，要加上 join，join 可以传入浮点数值，等待n久就不等了

import multiprocessing
import time
import sysdef daemon():name = multiprocessing.current_process().nameprint('Starting:', name)time.sleep(2)print('Exiting :', name)def non_daemon():name = multiprocessing.current_process().nameprint('Starting:', name)print('Exiting :', name)if __name__ == '__main__':pid_1 = multiprocessing.Process(name='daemon', target=daemon)pid_1.daemon = Truepid_2 = multiprocessing.Process(name='non-daemon', target=non_daemon)pid_2.daemon = Falsepid_1.start()pid_2.start()pid_1.join(1)print(f'pid_2.is_alive() ---> {pid_2.is_alive()}')pid_2.join()

终止进程

最好使用 poison pill，强制的使用 terminate()。注意 terminate 之后要 join，使其可以更新状态

import multiprocessing
import timedef slow_worker():print('Starting worker')time.sleep(0.1)print('Finished worker')if __name__ == '__main__':p = multiprocessing.Process(target=slow_worker)print('BEFORE:', p, p.is_alive())p.start()print('DURING:', p, p.is_alive())p.terminate()print('TERMINATED:', p, p.is_alive())p.join()print('JOINED:', p, p.is_alive())

进程的退出状态

•  == 0     未生成任何错误
•  0           进程有一个错误，并以该错误码退出
•  < 0       进程由一个-1 * exitcode信号结束

import multiprocessing
import sys
import timedef exit_error():sys.exit(1)def exit_ok():returndef return_value():return 1def raises():raise RuntimeError('There was an error!')def terminated():time.sleep(3)if __name__ == '__main__':jobs = []for f in [exit_error, exit_ok, return_value, raises, terminated]:print('Starting process for', f.func_name)j = multiprocessing.Process(target=f, name=f.func_name)jobs.append(j)j.start()jobs[-1].terminate()for j in jobs:j.join()print('%15s.exitcode = %s' % (j.name, j.exitcode))

Python 进程间传递消息

Python多线程与同步：http://www.cnblogs.com/vamei/archive/2012/10/11/2720042.html

一般的情况是 Queue 来传递。

import multiprocessingclass MyFancyClass(object):def __init__(self, name):self.name = namedef do_something(self):proc_name = multiprocessing.current_process().nameprint(f"{proc_name} ---> {self.name}")def worker(q):obj = q.get()obj.do_something()if __name__ == '__main__':queue = multiprocessing.Queue()p = multiprocessing.Process(target=worker, args=(queue,))p.start()queue.put(MyFancyClass('Fancy Dan'))# Wait for the worker to finishqueue.close()queue.join_thread()p.join()

示例：

import time
import multiprocessingclass Consumer(multiprocessing.Process):def __init__(self, task_queue, result_queue):super(Consumer, self).__init__()self.task_queue = task_queueself.result_queue = result_queuedef run(self):proc_name = self.namewhile True:next_task = self.task_queue.get()if next_task is None:# Poison pill means shutdownprint(f"退出进程 ---> {proc_name}")self.task_queue.task_done()breakprint(f'{proc_name} 下一个任务 ---> {next_task}')answer = next_task()self.task_queue.task_done()self.result_queue.put(answer)returnclass Task(object):def __init__(self, a, b):self.a = aself.b = bdef __call__(self):time.sleep(0.1)  # pretend to take some time to do the workreturn f'{self.a} * {self.b} = {self.a * self.b}'def __str__(self):return str(self.a * self.a)if __name__ == '__main__':# Establish communication queuestasks = multiprocessing.JoinableQueue()results = multiprocessing.Queue()# Start consumersnum_consumers = multiprocessing.cpu_count() * 2print(f"创建 {num_consumers} 消费者")consumers = [Consumer(tasks, results) for i in range(num_consumers)]for w in consumers:w.start()# Enqueue jobsnum_jobs = 10for i in range(num_jobs):tasks.put(Task(i, i))# Add a poison pill for each consumerfor i in range(num_consumers):tasks.put(None)# Wait for all tasks to finishtasks.join()# Start printing resultswhile num_jobs:result = results.get()print(f"结果 ---> {result}")num_jobs -= 1

进程间信号传递

Event 提供一种简单的方法，可以在进程间传递状态信息。事件可以切换设置和未设置状态。通过使用一个可选的超时值，时间对象的用户可以等待其状态从未设置变为设置。

import multiprocessing
import timedef wait_for_event(e):"""Wait for the event to be set before doing anything"""print('wait_for_event: starting')e.wait()print('wait_for_event: e.is_set()->', e.is_set())def wait_for_event_timeout(e, t):"""Wait t seconds and then timeout"""print('wait_for_event_timeout: starting')e.wait(t)print('wait_for_event_timeout: e.is_set()->', e.is_set())if __name__ == '__main__':e = multiprocessing.Event()w1 = multiprocessing.Process(name='block', target=wait_for_event, args=(e,))w1.start()w2 = multiprocessing.Process(name='nonblock', target=wait_for_event_timeout, args=(e, 2))w2.start()print('main: waiting before calling Event.set()')time.sleep(3)e.set()print('main: event is set')

multiprocessing 进程 同步

我们可以从下面的程序中看到 Thread 对象和 Process对象 在使用上的相似性与结果上的不同。各个线程和进程都做一件事：打印PID。但问题是，所有的任务在打印的时候都会向同一个标准输出(stdout)输出。这样输出的字符会混合在一起，无法阅读。使用 Lock 同步，在一个任务输出完成之后，再允许另一个任务输出，可以避免多个任务同时向终端输出。

import os
import threading
import multiprocessing# worker function
def worker(sign=None, t_lock=None):t_lock.acquire()print(sign, os.getpid())t_lock.release()# Main
print('Main:', os.getpid())# Multi-thread
record = []
threading_lock = threading.Lock()
for i in range(5):thread = threading.Thread(target=worker, args=('thread', threading_lock))thread.start()record.append(thread)for thread in record:thread.join()# Multi-process
record = []
process_lock = multiprocessing.Lock()
for i in range(5):process = multiprocessing.Process(target=worker, args=('process', process_lock))process.start()record.append(process)for process in record:process.join()

所有 Thread 的 PID 都与主程序相同，而每个 Process 都有一个不同的 PID。

Pipe （ 管道 ） 和  mutiprocessing.Queue（ 队列 ）

正如我们在 Linux多线程 中介绍的管道PIPE和消息队列 message queue，multiprocessing 包中有Pipe类 和 Queue类 来分别支持这两种 IPC 机制。Pipe 和 Queue 可以用来传送常见的对象。

Pipe 可以是单向(half-duplex)，也可以是双向(duplex)。

通过mutiprocessing.Pipe(duplex=False) 创建单向管道 (默认为双向)。一个进程从 PIPE 一端输入对象，然后被 PIPE 另一端的进程接收，单向管道只允许管道一端的进程输入，而双向管道则允许从两端输入。下面的程序展示了 Pipe 的使用：（ 这里的 Pipe 是双向的。 ）

import multiprocessing as muldef proc1(pipe=None):pipe.send('hello')print('proc1 rec:', pipe.recv())def proc2(pipe=None):print('proc2 rec:', pipe.recv())pipe.send('hello, too')# Build a pipe
pipe = mul.Pipe()# Pass an end of the pipe to process 1
p1 = mul.Process(target=proc1, args=(pipe[0],))
# Pass the other end of the pipe to process 2
p2 = mul.Process(target=proc2, args=(pipe[1],))
p1.start()
p2.start()
p1.join()
p2.join()

Pipe 对象建立的时候，返回一个含有两个元素的表，每个元素代表 Pipe 的一端(Connection对象)。对 Pipe 的某一端调用 send() 方法来传送对象，在另一端使用 recv() 来接收。

mutiprocessing.Queue

Queue 与 Pipe 相类似，都是先进先出的结构。但 Queue 允许多个进程放入，多个进程从队列取出对象。Queue 使用 mutiprocessing.Queue(maxsize) 创建，maxsize 表示队列中可以存放对象的最大数量。下面的程序展示了 Queue 的使用:

import os
import multiprocessing
import time# input worker
def input_queue(queue=None):info = str(os.getpid()) + '(put):' + str(time.time())queue.put(info)# output worker
def output_queue(queue=None, lock):info = queue.get()lock.acquire()print(str(os.getpid()) + '(get):' + info)lock.release()# ===================
# Main
record1 = []  # store input processes
record2 = []  # store output processes
lock = multiprocessing.Lock()  # To prevent messy print
queue = multiprocessing.Queue(3)# input processes
for i in range(10):process = multiprocessing.Process(target=input_queue, args=(queue,))process.start()record1.append(process)# output processes
for i in range(10):process = multiprocessing.Process(target=output_queue, args=(queue, lock))process.start()record2.append(process)for p in record1:p.join()queue.close()  # No more object will come, close the queuefor p in record2:p.join()

一些进程使用 put() 在 Queue 中放入字符串，这个字符串中包含 PID 和时间。另一些进程从Queue 中取出，并打印自己的 PID 以及 get() 的字符串

共享资源 --- 共享内存

应该尽量避免多进程共享资源。多进程共享资源必然会带来进程间相互竞争。而这种竞争又会造成race condition，我们的结果有可能被竞争的不确定性所影响。但如果需要，我们依然可以通过 共享内存 和 Manager对象 这么做。

例子:

import multiprocessingdef f(n, a):n.value = 3.14a[0] = 5num = multiprocessing.Value('d', 0.0)
arr = multiprocessing.Array('i', range(10))p = multiprocessing.Process(target=f, args=(num, arr))
p.start()
p.join()print(num.value)
print(arr[:])

这里我们实际上只有主进程和Process对象代表的进程。我们在主进程的内存空间中创建共享的内存，也就是Value和Array两个对象。对象Value被设置成为双精度数(d), 并初始化为0.0。而Array则类似于C中的数组，有固定的类型(i, 也就是整数)。在Process进程中，我们修改了Value和Array对象。回到主程序，打印出结果，主程序也看到了两个对象的改变，说明资源确实在两个进程之间共享。

共享资源 --- Manager

Manager 对象类似于 服务器 与 客户 之间的通信 (server-client)，与我们在 Internet 上的活动很类似。我们用一个进程作为服务器，建立 Manager 来真正存放资源。其它的进程可以通过参数传递或者根据地址来访问Manager，建立连接后，操作服务器上的资源。在防火墙允许的情况下，我们完全可以将Manager运用于多计算机，从而模仿了一个真实的网络情境。下面的例子中，我们对Manager的使用类似于shared memory，但可以共享更丰富的对象类型。

import multiprocessingdef f(x, arr, l):x.value = 3.14arr[0] = 5l.append('Hello')server = multiprocessing.Manager()
x = server.Value('d', 0.0)
arr = server.Array('i', range(10))
l = server.list()proc = multiprocessing.Process(target=f, args=(x, arr, l))
proc.start()
proc.join()print(x.value)
print(arr)
print(l)

Manager 利用 list() 方法提供了表的共享方式。实际上你可以利用 dict() 来共享词典，Lock() 来共享 threading.Lock ( 注意，我们共享的是 threading.Lock，而不是进程的 mutiprocessing.Lock。后者本身已经实现了进程共享) 等。 这样 Manager 就允许我们共享更多样的对象。

5.3 multiprocessing.Pool

在使用 Python 进行系统管理时，特别是同时操作多个文件目录或者远程控制多台主机，并行操作可以节约大量的时间。如果操作的对象数目不大时，还可以直接使用 Process类动态的生成多个进程，十几个还好，但是如果上百个甚至更多，那手动去限制进程数量就显得特别的繁琐，此时 进程池 就派上用场了。进程池 (Process Pool) 可以创建多个进程。这些进程就像是随时待命的士兵，准备执行任务(程序)。一个进程池中可以容纳多个待命的士兵。比如下面的程序:

Pool 类可以提供指定数量的进程供用户调用，当有新的请求提交到Pool中时，如果池还没有满，就会创建一个新的进程来执行请求。如果池满，请求就会告知先等待，直到池中有进程结束，才会创建新的进程来执行这些请求。

Pool 类描述了一个工作进程池，他有几种不同的方法让任务卸载工作进程。 进程池内部维护一个进程序列，当使用时，则去进程池中获取一个进程，如果进程池序列中没有可供使用的进程，那么程序就会等待，直到进程池中有可用进程为止。我们可以用 Pool 类创建一个进程池，展开提交的任务给进程池。

一个进程池对象可以控制工作进程池的哪些工作可以被提交，它支持 超时 和 回调的异步结果，有一个类似 map 的实现。

参数

• processes ：进程的数量，如果 processes 是 None 那么使用 os.cpu_count() 返回的数量。
• initializer：如果是 None，那么每一个工作进程在开始的时候会调 initializer(*initargs)。 
• maxtasksperchild：工作进程退出之前可以完成的任务数，完成后用一个新的工作进程来替代原进程，来让闲置的资源被释放。maxtasksperchild 默认是 None，意味着只要 Pool 存在工作进程就会一直存活。 
• context：用在制定工作进程启动时的上下文，一般使用 multiprocessing.Pool() 或者 一个context 对象的 Pool() 方法来创建一个池，两种方法都适当的设置了context

进程池的方法 

• apply(func[, args[, kwds]]) ：调用 func 函数并传递 args 和 kwds，不建议使用，并且 3.x 以后不在出现。结果返回前主进程会被阻塞直到函数执行结束，由于这个原因，apply_async() 更适合并发执行。
• apply_async(func[, args[, kwds[, callback[, error_callback]]]]) ： apply() 方法的一个变体，会返回一个结果对象。 如果 callback 被指定，那么 callback 可以接收一个参数然后被调用，当结果准备好回调时会调用 callback，调用失败时，则用 error_callback 替换 callback。 Callbacks 应被立即完成，否则处理结果的线程会被阻塞。   非阻塞 版本
• close() ：阻止更多的任务提交到 pool，待任务完成后，工作进程会退出。
• terminate() ：不管任务是否完成，立即停止工作进程。在对 pool 对象进程垃圾回收的时候，会立即调用 terminate()。
• join()：wait 工作线程的退出，在调用 join() 前，必须调用 close() 或者 terminate()。这样是因为被终止的进程需要被父进程调用 wait（join等价与wait），否则进程会成为僵尸进程。( 主进程阻塞，等待子进程的退出， join 方法要在 close 或 terminate 之后使用。 )
• map(func, iterable[, chunksize])   
• map_async(func, iterable[, chunksize[, callback[, error_callback]]])
• imap(func, iterable[, chunksize])
• imap_unordered(func, iterable[, chunksize])   
• starmap(func, iterable[, chunksize])
• starmap_async(func, iterable[, chunksize[, callback[, error_back]]])

非阻塞 进程池 --- apply_async

注意：是 "进程池"，不是 "线程池"。它可以让你跑满多核CPU，而且使用方法非常简单。

注意要用 apply_async，如果省略了 async，就变成阻塞版本了。

使用 进程池（ 非阻塞 版本）

# -*- coding: utf-8 -*-import time
import multiprocessingdef worker_func(process_name=None, arg=None):for i in range(3):print(f"{process_name} ---> {arg}")time.sleep(1)if __name__ == "__main__":cpu_count = multiprocessing.cpu_count()pool = multiprocessing.Pool(processes=cpu_count)for index in range(10):data = f"hello {index}"pool.apply_async(worker_func, (f"process_name_{index}", data))pool.close()pool.join()print("主线程退出")

示例：

# -*- coding: utf-8 -*-import os
import time
import random
import multiprocessingdef func_1():# os.getpid()获取当前的进程的IDprint(f"func_1 ---> {os.getpid()}")start = time.time()time.sleep(random.random() * 10)end = time.time()print(f'func_1 ---> 运行 {end - start}秒')def func_2():print(f"func_2 ---> {os.getpid()}")start = time.time()time.sleep(random.random() * 20)end = time.time()print(f'func_2 ---> 运行 {end - start}秒')def func_3():print(f"func_3 ---> {os.getpid()}")start = time.time()time.sleep(random.random() * 30)end = time.time()print(f'func_3 ---> 运行 {end - start}秒')if __name__ == '__main__':func_list = [func_1, func_2, func_3]print(f"父进程 ---> {os.getpid()}")pool = multiprocessing.Pool(4)for func in func_list:# Pool执行函数，当有一个进程执行完毕后，会添加一个新的进程到pool中pool.apply_async(func)print('等待字进程...')pool.close()# 调用join之前，一定要先调用close() 函数，否则会出错# close()执行后不会有新的进程加入到 pool, join 函数等待素有子进程结束pool.join()print('所有进程都完成')pass

阻塞 进程池 --- apply

# coding: utf-8
import time
import multiprocessingdef worker_func(arg):print(f"worker_func ---> {arg}")time.sleep(3)if __name__ == "__main__":pool = multiprocessing.Pool(processes=3)for i in range(4):data = f"hello {i}"# 维持执行的进程总数为processes，当一个进程执行完毕后会添加新的进程进去pool.apply(worker_func, (data,))pool.close()pool.join()

map()

函数原型：map(func, iterable[, chunksize=None])

Pool 类中的 map 方法，与内置的 map 函数用法行为基本一致，它会使进程阻塞直到返回结果。
注意，虽然第二个参数是一个迭代器，但在实际使用中，必须在整个队列都就绪后，程序才会运行子进程。

import time
import multiprocessingdef worker_func(arg=None):time.sleep(1)print('arg * arg')return arg * argif __name__ == "__main__":temp_list = [1, 2, 3, 4, 5, 6,7,8,9]start_time = time.time()for item in temp_list:worker_func(item)end_time = time.time()print("顺序执行时间：", int(end_time - start_time))pool = multiprocessing.Pool(5)  # 创建拥有5个进程数量的进程池start_time = time.time()result = pool.map(worker_func, temp_list)  # 使进程阻塞直到返回结果pool.close()  # 关闭进程池，不再接受新的进程pool.join()   # 主进程阻塞等待子进程的退出end_time = time.time()print("并行执行时间：", int(end_time - start_time))print(f'map 的所有子进程返回的结果列表: {result}')

上例是一个创建多个进程并发处理与顺序执行处理同一数据，所用时间的差别。从结果可以看出，并发执行的时间明显比顺序执行要快很多，但是进程是要耗资源的，所以平时工作中，进程数也不能开太大。程序中的 result 表示全部进程执行结束后全部的返回结果集，run 函数有返回值，所以一个进程对应一个返回结果，这个结果存在一个列表中。

对 Pool对象调用 join() 方法会等待所有子进程执行完毕，调用 join() 之前必须先调用 close()，让其不再接受新的 Process。

close()

关闭进程池（pool），使其不在接受新的任务。

terminate()

结束工作进程，不在处理未处理的任务。

join()

主进程阻塞等待子进程的退出，join 方法必须在 close 或 terminate 之后使用。

使用 Pool，并需要关注结果

更多的时候，我们不仅需要多进程执行，还需要关注每个进程的执行结果，如下：

# -*- coding: utf-8 -*-import multiprocessing
import timedef func(msg):for i in range(3):print(msg)time.sleep(1)return "done " + msgif __name__ == "__main__":pool = multiprocessing.Pool(processes=4)result = []for index in range(10):msg = f"hello {index}"result.append(pool.apply_async(func, (msg,)))pool.close()pool.join()for res in result:print(res.get())print("Sub-process(es) done.")

示例 

import multiprocessingdef do_calculation(data):return data * 2def start_process():print('Starting', multiprocessing.current_process().name)if __name__ == '__main__':inputs = list(range(10))print('Inputs  :', inputs)builtin_output = list(map(do_calculation, inputs))print('Build-In :', builtin_output)pool_size = multiprocessing.cpu_count() * 2pool = multiprocessing.Pool(processes=pool_size, initializer=start_process, )# 默认情况下，Pool会创建固定数目的工作进程，并向这些工作进程传递作业，直到再没有更多作业为止。# maxtasksperchild 参数为每个进程执行 task 的最大数目，# 设置 maxtasksperchild参数可以告诉池在完成一定数量任务之后重新启动一个工作进程，# 来避免运行时间很长的工作进程消耗太多的系统资源。# pool = multiprocessing.Pool(processes=pool_size, initializer=start_process, maxtasksperchild=2)print('-' * 20)pool_outputs = pool.map(do_calculation, inputs)pool.close()pool.join()print('Pool  :', pool_outputs)