Python学习—pyhton中的进程

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python学习—pyhton中的进程相关的知识,希望对你有一定的参考价值。

1.进程定义

进程: 进程就是一个程序在一个数据集上的一次动态执行过程。进程一般由程序、数据、进程控制块(pcb)三部分组成。
(1)我们编写的程序用来描述进程要完成哪些功能以及如何完成;
(2)数据则是程序在执行过程中所需要使用的资源;
(3)进程控制块用来记录进程的所有信息。系统可以利用它来控制和管理进程,它是系统感知进程存在的唯一标志。

2.创建进程

新创建的进程在内存独立开辟一块空间,不与其他进程共享空间、数据。
同一个进程中,新创建的线程与此进程里其他线程共享空间、数据。

1.os.fork()函数

os模块的三个方法:
os.fork()创建一个当前进程的子进程
os.getpid()获取当前进程pid
os.getppid()获取当前进程的父进程的Pid
关于fork():
它用来创建一个进程,即为当前进程的子进程,复制父进程的所有代码并从fork语句处开始运行。运行父进程还是子进程的取决于当前os调度策略。
在父进程中返回子进程的pid,在子进程中返回0。即返回0表示在子进程中运行,返回大与0的数表示在父进程中运行。

例子:

import os

print(‘当前进程:‘,os.getpid())
print(‘当前进程的父进程:‘,os.getppid())

pid = os.fork()
if pid == 0:
    print(‘此时为子进程:‘,os.getpid(),‘
其父进程:‘,os.getppid())
else:
    print(‘父进程:‘,os.getpid(),‘
os.fork的返回值pid:‘,pid)

运行结果:

当前进程: 16839
当前进程的父进程: 2912
父进程: 16839 
os.fork的返回值pid: 16842
此时为子进程: 16842 
其父进程: 16839

从运行结果中看,在linux中fork产生子进程后是先运行父进程,当父进程结束后再进入子进程运行。

2.实例化进程类

直接通过实例化进程类multiprocessing.Process创建新进程。
和线程类一样,进程类也有start()方法,join()方法。调用对象的start()方法实例上也是调用的类中的run()方法。

# 导入进程模块
import multiprocessing
import os

def job(ss):
    print(ss,‘当前子进程:%s‘ %os.getpid())

#实例化进程类,并提交任务,传入任务所需要的参数
p1 = multiprocessing.Process(target=job,args=(‘abc‘,))
p1.start()
p2 = multiprocessing.Process(target=job,args=(‘123‘,))
p2.start()

# 和线程一样,进程也有join方法。
p1.join()
p2.join()

print(‘完成......‘)

运行结果:

abc 当前子进程:17234
123 当前子进程:17235
完成......

3.继承进程类来自定义进程类

继承python提供的进程类,重写方法,创建自己所需要的进程类,再实例化自定义的进程类。

import multiprocessing

class Job(multiprocessing.Process):
    #重写构造方法
    def __init__(self,cc):
        super(Job, self).__init__()
        self.cc = cc

    #重写run方法,和线程一样
    def run(self):
        print(self.cc)

#实例化对象
if __name__ == "__main__":
    pp = []
    for i in range(10):
        p = Job(str(i)+‘:123456‘)
        pp.append(p)
        p.start()

    for p in pp:
        p.join()
    print(‘hahhahaha‘)

运行结果:

0:123456
1:123456
2:123456
3:123456
4:123456
5:123456
6:123456
7:123456
8:123456
9:123456
hahhahaha

3.多进程与多线程的对比

import threading
import multiprocessing
from timeit import timeit

class Jobthread(threading.Thread):
    def __init__(self,li):
        super(Jobthread,self).__init__()
        self.li = li
    def run(self):
        sum(self.li)

class Jobprocess(multiprocessing.Process):
    def __init__(self,li):
        super(Jobprocess, self).__init__()
        self.li = li
    def run(self):
        for i in self.li:
            sum(i)

# 这个装饰器是自己写的,用来计算某个函数执行时间
@timeit
def use_Pro(list):
    for i in range(0,len(list), 1000):
        p = Jobprocess(list[i:i+1000])
        p.start()

@timeit
def use_Thr(list):
    for li in list:
        t = Jobthread(li)
        t.start

if __name__ == "__main__":
    list = [[1,2,3,4,5,6],[2,3,4,5,6,7],[3,4,5,6,7,8],[4,5,6,7,8,9]]*1000
    use_Pro(list)
    use_Thr(list)

运行结果:

use_Pro运行时间0.0041866302490234375
use_Thr运行时间0.02240157127380371

正如看到的结果一样,多进程适合计算密集型任务,多线程适合i/o密集型任务。

3.守护进程与终止进程

1.守护进程-daemon属性

和线程类似,进程类也有一个daemon属性,默认值为False。
当改变他的值为True时,当主进程结束,就会强行终止其他的所以进程。
实例:
(1)第一个程序

import multiprocessing
import time

def job():
    print(‘开始子进程‘)
    time.sleep(3)
    print(‘子进程结束‘)

if __name__ == "__main__":
    p = multiprocessing.Process(target=job)
    p.start()
    print("程序结束......")

运行结果:

程序结束......
开始子进程
子进程结束

主进程结束,其他进程还在继续执行。
(2)第二个程序

import multiprocessing
import time

def job():
    print(‘开始子进程‘)
    time.sleep(3)
    print(‘子进程结束‘)

if __name__ == "__main__":
    p = multiprocessing.Process(target=job)
    p.daemon = True
    p.start()
    print("程序结束......")

运行结果:

程序结束......

当主进程结束,其他进程将会被强制终止结束。

2.终止进程

import multiprocessing
import time

def job():
    print(‘开始子进程‘)
    time.sleep(3)
    print(‘子进程结束‘)

if __name__ == "__main__":
    p = multiprocessing.Process(target=job)
    p.daemon = True
    print(p.is_alive())     #启动进程之前查看进程状态
    p.start()
    print(p.is_alive())     #启动进程之后查看进程状态
    p.terminate()           #终止进程
    print(p.is_alive())     #终止进程命令一发出后,查看进程状态。此时进程在释放过程中,还没有被完全释放。
    p.join()                #先让进程完全释放
    print(p.is_alive())     #最后查看进程状态

    print("程序结束......")

运行结果:

False
True
True
False
程序结束......

4.进程间通信

"""
通过队列实现进程间通信,队列充当消息管道的作用(类似生产者消费者模型)
这里通信一直存在,也就是这两个进程会一直存在,没有销毁释放。
"""
import multiprocessing
from multiprocessing import Queue
import time

class Put_news(multiprocessing.Process):
    def __init__(self,queue):
        super(Put_news, self).__init__()
        self.queue = queue
    def run(self):
        for i in range(100):
            self.queue.put(i)
            print("传递消息:%s" %i)
            time.sleep(0.1)

class Get_news(multiprocessing.Process):
    def __init__(self,queue):
        super(Get_news, self).__init__()
        self.queue = queue
    def run(self):
        while True:
            time.sleep(0.11)
            print("接收消息++++++++++++:%s" %(self.queue.get()))

if __name__ == "__main__":
    q = Queue()
    p = Put_news(q)
    g = Get_news(q)
    p.start()
    g.start()

    if not p.is_alive():
        g.terminate()

运行结果:

截图

5.分布式进程

任务需要处理的数据特别大, 希望多台主机共同处理任务。multiprocessing.managers子模块里面可以实现将进程分布到多台机器上
(管理端主机要运算一些列任务,通过与其他主机建立“连接“,将任务分配给其他主机执行,并将执行结果返回给管理端主机。)
管理端主机代码:

import random
from queue import Queue
from multiprocessing.managers import BaseManager

# 1.创建队列(发送任务的队列,收取结果的队列)
task_queue = Queue()
result_queue = Queue()

# 第二三步骤可以互换顺序
# 2.将队列注册到网络(这样其他主机可以通过网络接收任务,发送结果)
# 注册的队列(任务队列,结果队列)的唯一标识码分别为‘put_task_queue‘,‘get_result_queue‘
BaseManager.register(‘put_task_queue‘,callable=lambda :task_queue)
BaseManager.register(‘get_result_queue‘,callable=lambda : result_queue)

# 3.绑定端口(3333),设定密码(hahahaha)
manager = BaseManager(address=(‘172.25.254.158‘,3333),authkey=b‘hahahaha‘)

# 4.启动manager,开始共享队列
manager.start()

# 5.通过网络访问共享的队列
task = manager.put_task_queue()
result = manager.get_result_queue()

# 6.向任务队列中放入执行任务的数据,这里放入100个任务
for i in range(100):
    n = random.randint(10,500)
    task.put(n)
    print(‘任务列表加入数据:‘+str(n))

# 7.从结果队列中读取各个主机的任务执行结果
for j in range(100):
    res = result.get()
    print(‘执行结果:‘+str(res))

# 8.任务执行结束,关闭共享队列
manager.shutdown()

运算主机代码:

"""
在各个工作主机上执行的代码相同
"""

from multiprocessing.managers import BaseManager

# 1. 连接manager端,获取共享的队列
import time

worker = BaseManager(address=(‘172.25.254.158‘,3333),authkey=b‘hahahaha‘)

# 2.注册队列,去获取网络上共享的队列中的内容
BaseManager.register(‘put_task_queue‘)
BaseManager.register(‘get_result_queue‘)

# 3.连接网络
worker.connect()

# 4.通过网络访问共享的队列

task = worker.put_task_queue()
result = worker.get_result_queue()

# 5.读取任务,处理任务,这里读取了50个任务进行处理
# 每台运算主机上的处理任务数量可以不同,不过为了避免修改代码,一般都相同。
for i in range(50):
    n = task.get()
    print(‘执行任务 %d**2 = ‘%(n))
    res = ‘%d**2=%d‘ %(n,n**2)  #这里设置执行的任务是求平方
    result.put(res)     #将结果放入结果队列
    time.sleep(1)       #休息1秒

print(‘工作主机执行任务结束.....‘)

6.进程池

和线程一样,进程也有进程池。
1.第一种方法

import multiprocessing
import time

def job(id):
    print(‘start id ---> %d‘ %id)
    print(‘end id ----> %d‘ %id)
    time.sleep(3)
# 创建含有8个进程的进程池
pool = multiprocessing.Pool(8)
# 给进城池的进程分配任务
for i in range(12):
    pool.apply_async(job,args=(i,))

# 关闭进程池,使进程池不再工作运行
pool.close()
# 等待所有子进程结束之后再开始主进程
pool.join()

print(‘all works completed!‘)

运行结果:

start id ---> 0
end id ----> 0
start id ---> 1
end id ----> 1
start id ---> 2
end id ----> 2
start id ---> 3
end id ----> 3
start id ---> 4
end id ----> 4
start id ---> 5
end id ----> 5
start id ---> 6
end id ----> 6
start id ---> 7
end id ----> 7
start id ---> 8
end id ----> 8
start id ---> 9
end id ----> 9
start id ---> 10
end id ----> 10
start id ---> 11
end id ----> 11
all works completed!

2.第二种方法

from concurrent.futures import ProcessPoolExecutor
import time
def job(id):
    print(‘start id ---> %d‘ %id)
    print(‘end id ----> %d‘ %id)
    time.sleep(3)

# 创建含有2个进程的进程池
pool = ProcessPoolExecutor(max_workers=2)
# 给进程池的进程分配任务,submit方法返回一个_base.Future对象
f1 = pool.submit(job,1)
f2 = pool.submit(job,2)
f3 = pool.submit(job,3)
f4 = pool.submit(job,4)
# 执行f1对象的各种方法
f1.done()
f1.result()

运行结果:

start id ---> 1
end id ----> 1
start id ---> 2
end id ----> 2
start id ---> 3
end id ----> 3
start id ---> 4
end id ----> 4

3.第三种方法

from concurrent.futures import ProcessPoolExecutor
import time
def job(id):
    print(‘start id ---> %d‘ %id)
    print(‘end id ----> %d‘ %id)
    time.sleep(1)
pool = ProcessPoolExecutor(max_workers=3)
pool.map(job,range(1,10))

运行结果:

start id ---> 1
end id ----> 1
start id ---> 2
end id ----> 2
start id ---> 3
end id ----> 3
start id ---> 4
end id ----> 4
start id ---> 5
end id ----> 5
start id ---> 6
end id ----> 6
start id ---> 7
end id ----> 7
start id ---> 8
end id ----> 8
start id ---> 9
end id ----> 9

以上是关于Python学习—pyhton中的进程的主要内容,如果未能解决你的问题,请参考以下文章

pyhton代码规范

在 Python 多处理进程中运行较慢的 OpenCV 代码片段

Pyhton 单行多行注释符号使用方法及规范

pyhton3之进程

代码学习PYHTON 元组

Pyhton编程技巧-根据条件过滤list,dict,set中的数据