铁乐学python_Day40_进程池

Posted 2020-11-05 铁乐与猫梦境之森

进程之间的数据共享

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。
以后我们会尝试使用数据库来解决现在进程之间的数据共享问题。

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支持的类型也很多。

例：
from multiprocessing import Manager,Process,Lock
def work(d,lock):
# with lock 就相当于一组 lock.acquire()  lock.release()
# 上下文管理 ：必须有一个开始动作 和 一个结束动作的时候
    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(98):
            p=Process(target=work, args=(dic, lock))
            p_l.append(p)
            p.start()
        for p in p_l:
            p.join()
        print(dic)

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

参数介绍：
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

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。
‘‘‘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。

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，将引发异常。
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。

例：进程池的同步调用
import os,time
from multiprocessing import Pool

def work(n):
    print(‘%s run‘ %os.getpid())
    time.sleep(2)
    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_l.append(p.apply(work,args=(i,)))
      # 同步调用，直到本次任务执行完毕拿到return，
      # 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)

972 run
8036 run
892 run
972 run
8036 run
892 run
972 run
8036 run
892 run
972 run
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

例：进程池的异步调用
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。

例：server：进程池版socket并发聊天

#!/usr/bin/env python
# _*_ coding: utf-8 _*_

# 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‘, 9527))
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,))

client端
#!/usr/bin/env python
# _*_ coding: utf-8 _*_

from socket import *

client = socket(AF_INET, SOCK_STREAM)
client.connect((‘127.0.0.1‘, 9527))


while True:
    msg=input(‘>>: ‘).strip()
    if not msg:continue

    client.send(msg.encode(‘utf-8‘))
    msg=client.recv(1024)
    print(msg.decode(‘utf-8‘))

效果：
进程pid: 7980
进程pid: 6252
进程pid: 7156
进程pid: 7564
进程pid: 7980

同时只能开启4个进程，开第五个进程的时候会被阻塞，直到手动关掉前四个中的其中一个，第五个才能进到池子里运行。
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.

回调函数  callback=
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，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。

常用于爬虫场景。

例：使用多进程请求多个url来减少网络等待浪费的时间
#!/usr/bin/env python
# _*_ coding: utf-8 _*_

from multiprocessing import Pool
import requests
import os


def get_page(url):
    print(‘<进程%s> get %s‘ % (os.getpid(), url))
    respone = requests.get(url)
    if respone.status_code == 200:
        return {‘url‘: url, ‘text‘: respone.text}


def pasrse_page(res):
    print(‘<进程%s> parse %s‘ % (os.getpid(), res[‘url‘]))
    parse_res = ‘url:<%s> size:[%s]\n‘ % (res[‘url‘], len(res[‘text‘]))
    with open(‘db.txt‘, ‘a‘) as f:
        f.write(parse_res)


if __name__ == ‘__main__‘:
    urls = [
        ‘https://www.baidu.com‘,
        ‘https://www.python.org‘,
        ‘https://www.openstack.org‘,
        ‘https://help.github.com/‘,
        ‘http://www.sina.com.cn/‘
    ]

    p = Pool(3)
    res_l = []
    for url in urls:
        res = p.apply_async(get_page, args=(url,), callback=pasrse_page)
        res_l.append(res)

    p.close()
    p.join()
    print([res.get() for res in res_l])  
    # 拿到的是get_page的结果,其实完全没必要拿该结果,该结果已经传给回调函数处理了

爬虫实例：
#!/usr/bin/env python
# _*_ coding: utf-8 _*_
import re
from urllib.request import urlopen
from multiprocessing import Pool


def get_page(url, pattern):
    response = urlopen(url).read().decode(‘utf-8‘)
    return pattern, response


def parse_page(info):
    pattern, page_content = info
    res = re.findall(pattern, page_content)
    for item in res:
        dic = {
            ‘index‘: item[0].strip(),
            ‘title‘: item[1].strip(),
            ‘actor‘: item[2].strip(),
            ‘time‘: item[3].strip(),
        }
        print(dic)


if __name__ == ‘__main__‘:
    regex = r‘<dd>.*?<.*?class="board-index.*?>(\d+)</i>.*?title="(.*?)".*?class="movie-item-info".*?<p class="star">(.*?)</p>.*?<p class="releasetime">(.*?)</p>‘
    pattern1 = re.compile(regex, re.S)

    url_dic = {
        ‘http://maoyan.com/board/7‘: pattern1,
    }

    p = Pool()
    res_l = []
    for url, pattern in url_dic.items():
        res = p.apply_async(get_page, args=(url, pattern), callback=parse_page)
        res_l.append(res)

    for i in res_l:
        i.get()

效果：
{‘index‘: ‘1‘, ‘actor‘: ‘主演：泰尔·谢里丹,奥利维亚·库克,本·门德尔森‘, ‘time‘: ‘上映时间：2018-03-30‘, ‘title‘: ‘头号玩家‘}
{‘index‘: ‘2‘, ‘actor‘: ‘主演：道恩·强森,娜奥米·哈里斯,杰弗里·迪恩·摩根‘, ‘time‘: ‘上映时间：2018-04-13‘, ‘title‘: ‘狂暴巨兽‘}
{‘index‘: ‘3‘, ‘actor‘: ‘主演：帕拉巴斯,拉纳·达格巴帝,安努舒卡·谢蒂‘, ‘time‘: ‘上映时间：2018-05-04‘, ‘title‘: ‘巴霍巴利王2：终结‘}
{‘index‘: ‘4‘, ‘actor‘: ‘主演：小罗伯特·唐尼,克里斯·海姆斯沃斯,马克·鲁法洛‘, ‘time‘: ‘上映时间：2018-05-11‘, ‘title‘: ‘复仇者联盟3：无限战争‘}
{‘index‘: ‘5‘, ‘actor‘: ‘主演：奧古斯特·迪赫,史特凡·柯纳斯克,薇姬·克里普斯‘, ‘time‘: ‘上映时间：2018-05-05‘, ‘title‘: ‘青年马克思‘}
{‘index‘: ‘6‘, ‘actor‘: ‘主演：闫妮,邹元清,吴若甫‘, ‘time‘: ‘上映时间：2018-05-11‘, ‘title‘: ‘我是你妈‘}
{‘index‘: ‘7‘, ‘actor‘: ‘主演：凯特·玛拉,汤姆·费尔顿,布莱德利·惠特福德‘, ‘time‘: ‘上映时间：2018-05-11‘, ‘title‘: ‘战犬瑞克斯‘}
{‘index‘: ‘8‘, ‘actor‘: ‘主演：郭京飞,迪丽热巴,大鹏‘, ‘time‘: ‘上映时间：2018-04-20‘, ‘title‘: ‘21克拉‘}
{‘index‘: ‘9‘, ‘actor‘: ‘主演：杰森·格里菲,劳里·海梅斯,迪·布拉雷·贝克尔‘, ‘time‘: ‘上映时间：2018-04-05‘, ‘title‘: ‘冰雪女王3：火与冰‘}
{‘index‘: ‘10‘, ‘actor‘: ‘主演：井柏然,周冬雨,田壮壮‘, ‘time‘: ‘上映时间：2018-04-28‘, ‘title‘: ‘后来的我们‘}

如果在主进程中等待进程池中所有任务都执行完毕后，再统一处理结果，则无需回调函数。

例：
#!/usr/bin/env python
# _*_ coding: utf-8 _*_

from multiprocessing import Pool
import time


def work(n):
    time.sleep(1)
    return n ** 2


if __name__ == ‘__main__‘:
    p = Pool()

    res_l = []
    for i in range(10):
        res = p.apply_async(work, args=(i,))
        res_l.append(res)

    p.close()
    p.join()  # 等待进程池中所有进程执行完毕

    nums = []
    for res in res_l:
        nums.append(res.get())  # 拿到所有结果
    print(nums)  # 主进程拿到所有的处理结果,可以在主进程中进行统一进行处理

[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

end