1. 前言

1.1. 概述

基于Flask、Pika、Multiprocessing、Thread搭建一个架构，完成多线程、多进程工作。具体需求如下：

1. 并行计算任务：使用multiprocessing模块实现并行计算任务，提高计算效率、计算能力。
2. 消息侦听任务：使用threading模块完成RabbitMQ消息队列的侦听任务，将接收到的数据放入multiprocessing.Queue中，以便并行计算任务处理。
3. Web服务：使用Flask框架实现Web API服务，提供启停消息侦听任务、启停并行计算任务以及动态调整参数的功能。
4. 任务交互：通过multiprocessing.Queue实现消息侦听任务与并行计算任务之间的资源交互。
5. 非阻塞运行：使用threading模块非阻塞地运行Flask Web服务。

1.2. 续上一篇《python多线程与多进程开发实践及填坑记（1）》

python多线程与多进程开发实践及填坑记（1）

1.3. 重新启动工作进程报错

AttributeError: Can’t get attribute ‘worker’ on <module ‘main’ (built-in)>

程序没有报错，但是，没有启动侦听服务线程。

@app.route('/startworking', methods=['GET'])
def start_worker():if len(processes) == 0: for _ in range(3):  p = multiprocessing.Process(target=worker, args=(data_queue, rabbitmq_params, target_exchange, target_queue, routing_key, pso_params))  p.start()  processes.append(p)   print(f'process id = {p.pid}')return jsonify({'status': 'started working'}), 200else:return jsonify({'status': 'already working'}), 202

2. 原理解析

这里遇到的问题是由 Python 的 multiprocessing 模块在 Windows 上的行为引起的。具体来说，multiprocessing 模块在 Windows 上使用“spawn”启动方法，而不是“fork”，这意味着每个子进程需要能够导入主模块中的所有内容。如果某些对象不能被 pickle 化（例如局部函数），将会导致你看到的 AttributeError 错误。

为了解决这个问题，我们需要确保 worker 函数在主模块的全局命名空间中可用，将 worker 函数和其他依赖函数放到一个单独的模块中，然后在主模块中导入它们。

3. 拆分出代码

import pika
import json
from loguru import logger# 假设这是你的计算函数  
def compute_result(data, pso_params):  return {"result": data}# 发送结果到RabbitMQ的函数  
def send_result_to_rabbitmq(channel, exchange_name, queue_name, routing_key, result):  # 省略# 工作进程函数  
def worker(data_queue, rabbitmq_params, target_exchange, target_queue, routing_key, pso_params): logger.info('Worker started') # 省略logger.info('Worker finished')

关键改动：

• 将 worker 函数和相关依赖函数移到 workers.py 模块中。
• 在主模块中导入 worker 函数。
• 保持 data_queue 的初始化和使用不变。
• 这样可以确保在多进程环境中，每个子进程都可以正确地导入 worker 函数及其依赖函数。

4. python多线程与多进程及RabbitMQ程序架构

4.1. 模块划分

1. 主模块 (main.py): 启动Flask服务，管理消息侦听任务和并行计算任务。
2. Worker模块 (workers.py): 定义并行计算任务及其辅助函数。
3. Utils模块 (utils.py): 定义RabbitMQ相关的辅助函数。

4.2. 代码实现

1. 主模块

文件名称：main.py

from flask import Flask, jsonify
from threading import Thread, Event
import multiprocessing
import pika
import logging
from workers import worker
from utils import consume_from_rabbitmq_and_enqueue# 配置日志记录
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)# 创建一个事件来控制侦听
stop_event = Event()# 定义web服务
app = Flask(__name__)@app.route('/startlistening', methods=['GET'])
def start_listening():if stop_event.is_set():stop_event.clear()if not hasattr(app, 'pika_thread') or not app.pika_thread.is_alive():app.pika_thread = Thread(target=consume_from_rabbitmq_and_enqueue, args=(rabbitmq_params, rabbitmq_queue, data_queue, stop_event))app.pika_thread.start()return jsonify({'status': 'listening'}), 200else:return jsonify({'status': 'already listening'}), 200@app.route('/stoplistening', methods=['GET'])
def stop_listening():if hasattr(app, 'pika_thread') and app.pika_thread.is_alive():stop_event.set()app.pika_thread.join()del app.pika_threadreturn jsonify({'status': 'stopped'}), 200  else:return jsonify({'status': 'not running'}), 400@app.route('/startworking', methods=['GET'])
def start_worker():if len(processes) == 0: for _ in range(3):  p = multiprocessing.Process(target=worker, args=(data_queue, rabbitmq_params, target_exchange, target_queue, routing_key, pso_params))  p.start()  processes.append(p)   print(f'process id = {p.pid}')return jsonify({'status': 'started working'}), 200else:return jsonify({'status': 'already working'}), 202@app.route('/stopworking', methods=['GET'])
def stop_worker():for p in processes:data_queue.put(None)for p in processes:p.join()processes.clear() return jsonify({'status': 'stopped working'}), 200if __name__ == "__main__":rabbitmq_queue = 'energyStorageStrategy.queue'target_queue = 'energyStorageStrategy.queue.typc-fpd-tysh'target_exchange = 'energyStorageStrategy.direct'routing_key = 'typc-fpd-tysh'pso_params = {}  # 假设你的PSO参数credentials = pika.PlainCredentials('rabbit', 'rabbit****')  # mq用户名和密码rabbitmq_params = pika.ConnectionParameters('192.168.*.*', port=5671, virtual_host='/typc-fpd-dev', credentials=credentials)# 创建一个multiprocessing.Queue用于进程间通信  data_queue = multiprocessing.Queue()  # 创建工作进程列表processes = [] print(' [*] Waiting for messages. To exit press CTRL+C')flask_thread = Thread(target=lambda: app.run(host='0.0.0.0', port=5002, debug=True))flask_thread.start()with app.app_context():start_worker()start_listening()

2. Worker模块

文件名称：workers.py

import pika
import json
from loguru import logger# 假设这是你的计算函数  
def compute_result(data, pso_params):  return {"result": data}# 发送结果到RabbitMQ的函数  
def send_result_to_rabbitmq(channel, exchange_name, queue_name, routing_key, result):  # 省略# 工作进程函数  
def worker(data_queue, rabbitmq_params, target_exchange, target_queue, routing_key, pso_params): logger.info('Worker started') # 省略logger.info('Worker finished')

3. Utils模块

文件名称：utils.py

import pikadef consume_from_rabbitmq_and_enqueue(rabbitmq_params, rabbitmq_queue, data_queue, stop_event):# 略

5. 总结

• 模块化：将不同的功能模块化，便于维护和扩展。
• 多进程与多线程结合：使用multiprocessing实现并行计算任务，使用threading实现RabbitMQ消息侦听和Flask Web服务的非阻塞运行。
• 进程间通信：通过multiprocessing.Queue实现消息侦听任务与并行计算任务之间的资源交互。
• 事件控制：通过threading.Event控制消息侦听任务的启停。

这种架构设计能够满足需求，并且具有较好的扩展性和可维护性。如果有更多具体的需求或优化，可以在此基础上进一步完善。