Python进程间通讯与进程池超详细讲解

时间:2022-12-23 alwaysrun 人气:0

在《多进程并发与同步》中介绍了进程创建与信息共享，除此之外python还提供了更方便的进程间通讯方式。

进程间通讯

multiprocessing中提供了Pipe（一对一）和Queue（多对多）用于进程间通讯。

队列Queue

队列是一个可用于进程间共享的Queue（内部使用pipe与锁），其接口与普通队列类似：

put(obj[, block[, timeout]])：插入数据到队列（默认阻塞，且没有超时时间）；

若设定了超时且队列已满，会抛出queue.Full异常；
队列已关闭时，抛出ValueError异常

get([block[, timeout]])：读取并删除一个元素；

若设定了超时且队列为空，会抛出queue.Empty异常；
队列已关闭时，抛出ValueError异常；若已阻塞后，再关闭则会一直阻塞；

qsize()：返回一个近似队列长度（因多进程原因，长度会有误差）；

empty()/full()：队列空或慢（因多进程原因，会有误差）；

close()：关闭队列；

当主进程（创建Queue的）关闭队列时，子进程中的队列并没有关闭，所以getElement进程会一直阻塞等待（为保证能正常退出，需要设为后台进程）：

def putElement(name, qu: multiprocessing.Queue):
    try:
        for i in range(10):
            qu.put(f"{name}-{i + 1}")
            time.sleep(.1)
    except ValueError:
        print("queue closed")
    print(f"{name}: put complete")
def getElement(name, qu: multiprocessing.Queue):
    try:
        while True:
            r = qu.get()
            print(f"{name} recv: {r}")
    except ValueError:
        print("queue closed")
    print(f"{name}: get complete")
if __name__ == '__main__':
    qu = multiprocessing.Queue(100)
    puts = [multiprocessing.Process(target=putElement, args=(f"send{i}", qu)) for i in range(10)]
    gets = [multiprocessing.Process(target=getElement, args=(f"recv{i}", qu), daemon=True) for i in range(2)]
    list(map(lambda f: f.start(), puts))
    list(map(lambda f: f.start(), gets))
    for f in puts:
        f.join()
    print("To close")
    qu.close() # 只是main中的close了，其他进程中的并没有

管道Pipe

multiprocessing.Pipe([duplex])返回一个连接对象对(conn1, conn2)。若duplex为True（默认），创建的是双向管道；否则conn1只能用于接收消息，conn2只能用于发送消息：

send()：发送消息；
recv()：接收消息；

进程间的Pipe基于fork机制建立：

主进程创建Pipe：Pipe的两个Connections连接的的都是主进程；
创建子进程后，Pipe也被拷贝了一份：此时有了4个Connections；
主进程关闭一个Out Connection，子进程关闭一个In Connection：就建立好了一个输入在主进程，输出在子进程的管道。

def pipeProc(pipe):
    outPipe, inPipe = pipe
    inPipe.close() # 必须关闭，否则结束时不会收到EOFError异常
    try:
        while True:
            r = outPipe.recv()
            print("Recv:", r)
    except EOFError:
        print("RECV end")
if __name__ == '__main__':
    outPipe, inPipe = multiprocessing.Pipe()
    sub = multiprocessing.Process(target=pipeProc, args=((outPipe, inPipe),))
    sub.start()
    outPipe.close() # 必须在进程成功运行后，才可关闭
    with inPipe:
        for x in range(10):
            inPipe.send(x)
            time.sleep(.1)
    print("send complete")
    sub.join()

进程池Pool

虽然使用多进程能提高效率，但进程的创建与销毁会消耗较长时间；同时，过多进程会引起频繁的调度，也增加了开销。

进程池中有固定数量的进程：

请求到来时，从池中取出一个进程来处理任务；理完毕后，进程并不立即关闭，而是再放回进程池中；
当池中进程数量不够，请求就要等待，直到拿到空闲进程后才能继续执行；
池中进程的数量是固定的，隐藏同一时间最多有固定数量的进程在运行。

multiprocessing.Pool([processes[, initializer[, initargs]]])

processes：要创建进程数量（默认os.cpu_count()个），在需要时才会创建；
initializer(*initargs)：每个工作进程启动时执行的方法（一般processes为几就执行几次）；

Pool类中主要方法：

apply(func[, args[, kwds]])：以阻塞方式，从池中获取进程并执行func(*args,**kwargs)；
apply_async(func[, args[, kwds[, callback[, error_callback]]]])：异步方式（从池中获取一个进程）执行func(*args,**kwargs)，返回AsyncResult；
map(func, iterable[, chunksize])/map_async：map的并行版本（可同时处理多个任务），异步时返回MapResult；
starmap(func, iterable[, chunksize])/starmap_async：与map的区别是允许传入多个参数；
imap(func, iterable[, chunksize])：map的惰性版本（返回结果是可迭代对象），内存消耗会低些，返回迭代器IMapIterator；
imap_unordered(func, iterable[, chunksize])：imap返回的结果顺序与map顺序是相同的，而此方法返回的顺序是乱序的（不依次等待每个任务完成，先完成的先返回），返回迭代器IMapIterator；
close()：关闭，禁止继续提交任务（已提交任务会继续执行完成）；
terminate()：立即终止所有任务；
join()：等待工作进程完成（必须已close或terminate了）；

def poolWorker():
    print(f"worker in process {os.getpid()}")
    time.sleep(1)
def poolWorkerOne(name):
    print(f"worker one {name} in process {os.getpid()}")
    time.sleep(random.random())
    return name
def poolWorkerTwo(first, second):
    res = first + second
    print(f"worker two {res} in process {os.getpid()}")
    time.sleep(1./(first+1))
    return res
def poolInit():
    print("pool init")
if __name__ == '__main__':
    workers = multiprocessing.Pool(5, poolInit) # poolInit会被调用5次（线程启动时）
    with workers:
        for i in range(5):
            workers.apply_async(poolWorker)
        arg = [(i, i) for i in range(10)]
        workers.map_async(poolWorkerOne, arg)
        results = workers.starmap_async(poolWorkerTwo, arg) # 每个元素（元组）会被拆分为独立的参数
        print("Starmap:", results.get())
        results = workers.imap_unordered(poolWorkerOne, arg)
        for r in results: # r是乱序的（若使用imap，则与输入arg的顺序相同）
            print("Unordered:", r)
    # 必须保证workers已close了
    workers.join()

加载全部内容