python3--队列Queue,管道Pipe,进程之间的数据共享,进程池Pool,回调函数callback

进程

multiprocess

Process —— 进程 在python中创建一个进程的模块

  start

  daemon 守护进程

  join 等待子进程执行结束

锁 Lock

acquire release

锁是一个同步控制的工具

如果同一时刻有多个进程同时执行一段代码,

那么在内存中的数据是不会发生冲突的

但是,如果涉及到文件,数据库就会发生资源冲突的问题

我们就需要用锁来把这段代码锁起来

任意一个进程执行了acquire之后,

其他所有的进程都会在这里阻塞,等待一个release

信号量 semaphore

锁 + 计数器

同一时间只能有指定个数的进程执行同一段代码

事件 Event

set clear is_set   控制对象的状态

wait  根据状态不同执行效果也不同

    状态是True ---> pass

    状态是False --> 阻塞

一般wait是和set clear放在不同的进程中

set/clear负责控制状态

wait负责感知状态

我可以在一个进程中控制另外一个或多个进程的运行情况

Queue(队列)的其它方法

from multiprocessing import Process,Queue
q = Queue()
print(q.empty())  # 判断队列Queue是否为空
print(q.full())  # 判断队列Queue是否满了(不能存放了)

执行结果

True

False

创建队列数量

from multiprocessing import Process, Queue
q = Queue(10)  #设置队列容量为10
for i in range(10):
    q.put(i)
print(q.qsize())  # 返回队列中目前项目的正确数量(多进程不准)
print(q.full())   # 返回队列是否以满(True/False)(多进程不准)
q.put(1111)  # 阻塞,后面代码不会执行--队列已满
print(q.empty())
print(q.full())

执行结果

注释:

队列可以在创建的时候指定一个容量

如果在程序运行的过程中,队列已经有了足够的数据,再put就会发生阻塞

如果队列为空,在get就会发生阻塞

为什么要设置队列的长度呢?内存有限,不设置可以导致系统崩溃

在进程中使用队列可以完成双向通信

import time
import os
from multiprocessing import Process, Queue
def wahaha(q):
    print(q.get(), os.getpid())  # os.getpid()进程id号
    q.put(2)


if __name__ == '__main__':
    q = Queue()
    p = Process(target=wahaha, args=(q,))
    p.start()
    q.put(222)
    time.sleep(0.2)
    print(q.get(), os.getppid())  # os.getppid()父进程id号

执行结果

222 1088

2 6336

既打印了主进程put的值,也打印了子进程put的值,在进程中使用队列可以完成双向通信

生产者消费者模型

解决数据供需不平衡的情况

在同一时刻,只能有一个进程来取值,它内部有一个锁的机制。那么另一个进程进来后就会阻塞一会儿,阻塞的时候非常短

队列是进程安全的,内置了锁来保证队列中的每一个数据都不会被多个进程重复取值

import time
import random
from multiprocessing import Process,Queue
def consumer(q,name): #消费者
    while True:
        food = q.get()
        if food == 'done':break  #如果取到的值为done,则break
        time.sleep(random.random())
        print('{}吃了{}'.format(name, food))

def producer(q,name,food): #生产者
    for i in range(10):
        time.sleep(random.random())
        print('{}生成了{}{}'.format(name, food, i))
        q.put('{}{}'.format(food, i))


if __name__ == '__main__':
    q = Queue()
    p1 = Process(target=producer, args=(q, 'Sam', '饼干'))
    p2 = Process(target=producer, args=(q, 'Tom', '辣条'))
    p1.start()
    p2.start()
    Process(target=consumer, args=(q, '张三')).start()
    Process(target=consumer, args=(q, '李四')).start()
    p1.join()  # 等待消费者消耗
    p2.join()  # 等待消费者消耗
    q.put('done')  #一个done给进程p1
    q.put('done')  #一个done给进程p2

执行结果

JoinableQueue([maxsize])

创建可连接的共享进程队列。这就像是一个Queue对象,但队列允许项目的使用者通知生产者项目已经被成功处理。通知进程是使用共享的信号和条件变量来实现的 

方法介绍

JoinableQueue的实例p除了与Queue对象相同的方法之外,还具有以下方法:
q.task_done() 
使用者使用此方法发出信号,表示q.get()返回的项目已经被处理。如果调用此方法的次数大于从队列中删除的项目数量,将
引发ValueError异常。
q.join() 
生产者将使用此方法进行阻塞,直到队列中所有项目均被处理。阻塞将持续到为队列中的每个项目均调用q.task_done()方法
为止。 
下面的例子说明如何建立永远运行的进程,使用和处理队列上的项目。生产者将项目放入队列,并等待它们被处理。

JoinableQueue队列实现消费之生产者模型

import time
import random
from multiprocessing import Process,JoinableQueue
def consumer(q,name):  # 消费者
    while True:
        food = q.get()
        time.sleep(random.random())
        print('{}吃了{}'.format(name,food))
        q.task_done()

def producer(q,name,food): # 生产者
    for i in range(10):
        time.sleep(random.random())
        print('{}生产了{}{}'.format(name,food,i))
        q.put('{}{}'.format(food,i))
    q.join()  # 等到所有的数据都被task_done才结束


if __name__ == '__main__':
    q = JoinableQueue()
    p1 = Process(target=producer,args=(q,'111','热干面'))
    p2 = Process(target=producer,args=(q,'222','炸酱面'))
    p1.start()
    p2.start()
    c1 = Process(target=consumer, args=(q, 'Sam'))
    c2 = Process(target=consumer, args=(q, 'Tom'))
    c1.daemon = True  # 设置为守护进程
    c2.daemon = True  # 设置为守护进程
    c1.start()
    c2.start()
    p1.join()
    p2.join()

执行结果

注释:

producer  生产者

    put  往队列里面添加数据

    生产完,全部的数据就没有其他工作了

    在生产数据方:允许执行q.join,等待消费者取数据

    join会发起一个阻塞,直到所有当前队列中的数据都被消费者取走

consumer  消费者

    get  获取数据

    处理数据

    q.task_done() 告诉q,刚刚从q获取的数据已经处理完了

执行流程:

consumer消费者每完成一个任务就会给q发送一个taskdone

producer生产者在所有的数据都生产完之后会执行q.join()

producer生产者会等待consumer消费完数据才结束

主进程中对producer进程进行join

主进程中的代码会等待producer执行完才结束

producer生产者结束就意味着主进程代码的结束

consumer消费者作为守护进程结束

结束顺序:

consumer消费者中queue中的所有数据被消费

producer生产者 join结束

主进程的代码结束

consumer消费者结束

主进程结束(主进程等待子进程结束才结束)

Pipe 管道(了解)

介绍

#创建管道的类:
Pipe([duplex]):在进程之间创建一条管道,并返回元组(conn1,conn2),其中conn1,conn2表示管道两端的连接对象,强调
一点:必须在产生Process对象之前产生管道
#参数介绍:
dumplex:默认管道是全双工的,如果将duplex射成False,conn1只能用于接收,conn2只能用于发送。
#主要方法:
    conn1.recv():接收conn2.send(obj)发送的对象。如果没有消息可接收,recv方法会一直阻塞。如果连接的另外一端已
    经关闭,那么recv方法会抛出EOFError。
    conn1.send(obj):通过连接发送对象。obj是与序列化兼容的任意对象
 #其他方法:
conn1.close():关闭连接。如果conn1被垃圾回收,将自动调用此方法
conn1.fileno():返回连接使用的整数文件描述符
conn1.poll([timeout]):如果连接上的数据可用,返回True。timeout指定等待的最长时限。如果省略此参数,方法将立即返
                      回结果。如果将timeout射成None,操作将无限期地等待数据到达。
 
conn1.recv_bytes([maxlength]):接收c.send_bytes()方法发送的一条完整的字节消息。maxlength指定要接收的最大字节数
如果进入的消息,超过了这个最大值,将引发IOError异常,并且在连接上无法进行进一步读取。如果连接的另外一端已经关
闭,再也不存在任何数据,将引发EOFError异常。

conn.send_bytes(buffer [, offset [, size]]):通过连接发送字节数据缓冲区,buffer是支持缓冲区接口的任意对象,
offset是缓冲区中的字节偏移量,而size是要发送字节数。结果数据以单条消息的形式发出,然后调用c.recv_bytes()函数
进行接收    
 
conn1.recv_bytes_into(buffer [, offset]):接收一条完整的字节消息,并把它保存在buffer对象中,该对象支持可写入的
缓冲区接口(即bytearray对象或类似的对象)。offset指定缓冲区中放置消息处的字节位移。返回值是收到的字节数。如果
消息长度大于可用的缓冲区空间,将引发BufferTooShort异常。

管道

支持双向通信

在进程之间通信的工具

管道 + 锁 = 队列

管道--数据不安全

示例:

from multiprocessing import Pipe
left, right = Pipe()  # 左,右 即管道的两端
left.send('1234')  # 左边send
print(right.recv())  # 右边接收

执行结果

1234

注释:

管道实例化之后,形成2端

左边send,右边接收

一端收发,会阻塞

示例:

from multiprocessing import Process,Pipe

def f(parent_conn, child_conn):
    parent_conn.close()  # 不写close将不会引发EOFError错误
    while True:
        try:
            print(child_conn.recv())
        except EOFError:
            child_conn.close()
            break


if __name__ == '__main__':
    parent_conn, child_conn = Pipe()
    p = Process(target=f,args=(parent_conn,child_conn))
    p.start()
    child_conn.close()
    parent_conn.send('hello')
    parent_conn.send('hi')
    parent_conn.send('你好')
    parent_conn.close()
    p.join()

执行结果

hello

hi

你好

pipe实现生产者消费者模型

from multiprocessing import Process, Pipe

def consumer(p, name):
    produce, consume = p
    produce.close()
    while True:
        try:
            baozi = consume.recv()
            print('%s 收到包子:%s' % (name, baozi))
        except EOFError:
            break

def producer(seq, p):
    produce, consume = p
    consume.close()
    for i in seq:
        produce.send(i)


if __name__ == '__main__':
    produce, consume = Pipe()
    c1 = Process(target=consumer, args=((produce, consume), 'c1'))
    c1.start()
    seq = (i for i in range(5))
    producer(seq, (produce, consume))
    produce.close()
    consume.close()
    c1.join()
    print('主进程')

执行结果

c1 收到包子:0

c1 收到包子:1

c1 收到包子:2

c1 收到包子:3

c1 收到包子:4

主进程

多个消费之之间的竞争问题带来的数据不安全问题

from multiprocessing import Process,Pipe,Lock

def consumer(p,name,lock):
    produce, consume=p
    produce.close()
    while True:
        lock.acquire()
        baozi=consume.recv()
        lock.release()
        if baozi:
            print('%s 收到包子:%s' %(name,baozi))
        else:
            consume.close()
            break


def producer(p,n):
    produce, consume=p
    consume.close()
    for i in range(n):
        produce.send(i)
    produce.send(None)
    produce.send(None)
    produce.close()

if __name__ == '__main__':
    produce,consume=Pipe()
    lock = Lock()
    c1=Process(target=consumer,args=((produce,consume),'c1',lock))
    c2=Process(target=consumer,args=((produce,consume),'c2',lock))
    p1=Process(target=producer,args=((produce,consume),6))
    c1.start()
    c2.start()
    p1.start()

    produce.close()
    consume.close()

    c1.join()
    c2.join()
    p1.join()
    print('主进程')

执行结果

c2 收到包子:1

c2 收到包子:2

c2 收到包子:3

c2 收到包子:4

c2 收到包子:5

主进程

进程之间的数据共享

展望未来,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定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

Manager模块介绍

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例子

from multiprocessing import Manager,Process,Lock
def func1(dic,lock):
    with lock:  # with用法:上下文管理:必须有一个开始动作和一个结束动作
        dic['count'] -= 1


if __name__ == '__main__':
    m = Manager()
    lock = Lock()
    dic = m.dict({'count':100})  #创建一个dic字典
    p_lst = []
    for i in range(100):
        p = Process(target=func1,args=(dic,lock))
        p_lst.append(p)
        p.start()
    for p in p_lst:p.join()
    print(dic)

执行结果

{'count': 0}

进程池和multiprocess的Pool模块

进程池

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。

概念介绍

Pool([numprocess  [,initializer [, initargs]]]):创建进程池

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

1 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。
2 '''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()'''
3 
4 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。
5 '''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
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。'''
6    
7 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
8 
9 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

其他方法(了解)

1 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
2 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,将引发一场。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。
3 obj.ready():如果调用完成,返回True
4 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
5 obj.wait([timeout]):等待结果变为可用。
6 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

同步和异步

进程池的同步调用

import os
import time
from multiprocessing import Pool
def work(n):
    print('{} run'.format(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_1 = []
    for i in range(5):
        # 同步调用,直到本次任务执行完毕拿到res,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
        res = p.apply(work, args=(i,))
    print(res_1)

执行结果

8440 run

13340 run

5636 run

8440 run

13340 run

[]

进程池的异步调用

import os
import time
import random
from multiprocessing import Pool

def work(n):
    print('{} run'.format(os.getpid()))
    time.sleep(random.random())
    return n**2

if __name__ == '__main__':
    p = Pool(3)
    res_l = []
    for i in range(5):
        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:
        # 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
        print(res.get())

执行结果

2680 run

9796 run

9076 run

9076 run

2680 run

0

1

4

9

16

进程池的异步调用

例2

import time
import random
from multiprocessing import Pool
def func(i):
    print('func%s' % i)
    time.sleep(random.randint(1,3))
    return i**2
if __name__ == '__main__':
    p = Pool(5)
    ret_l = []
    for i in range(15):
        # p.apply(func=func,args=(i,))    # 同步调用
        ret = p.apply_async(func=func,args=(i,))# 异步调用
        ret_l.append(ret)
    for ret in ret_l : print(ret.get())
    # 主进程和所有的子进程异步了

执行结果为

func0

func1

func2

func3

0

func4

1

4

9

16

进程池版socket并发聊天

server端代码

#!/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',8080))
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,))
        # p.apply(talk,args=(conn,client_addr)) #同步的话,则同一时间只有一个客户端能访问

client端代码

from socket import *

client=socket(AF_INET,SOCK_STREAM)
client.connect(('127.0.0.1',8080))


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

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

先运行server,在运行client,执行效果为下:

发现: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

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:我好了额,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。

使用多进程请求多个url来减少网络等待浪费的时间

import os
from urllib.request import urlopen
from multiprocessing import Pool
def get_url(url):
    print('-->',url,os.getpid())
    ret = urlopen(url)
    content = ret.read()
    return url

def call(url):
    # 分析
    print(url,os.getpid())

if __name__ == '__main__':
    print(os.getpid())
    l = [
        'http://www.baidu.com',  # 5
        'http://www.sina.com',
        'http://www.sohu.com',
        'http://www.sogou.com',
        'http://www.qq.com',
        'http://www.bilibili.com',  #0.1
    ]
    p = Pool(5)   # count(cpu)+1
    ret_l = []
    for url in l:
        ret = p.apply_async(func = get_url,args=[url,],callback=call)
        ret_l.append(ret)
    for ret in ret_l : ret.get()


# 回调函数
# 在进程池中,起了一个任务,这个任务对应的函数在执行完毕之后
# 的返回值会自动作为参数返回给回调函数
# 回调函数就根据返回值再进行相应的处理
# 回调函数 是在主进程执行的

执行结果

10316

--> http://www.baidu.com 13280

--> http://www.sina.com 1244

--> http://www.sohu.com 16204

--> http://www.sogou.com 1224

--> http://www.qq.com 16140

--> http://www.bilibili.com 13280

http://www.baidu.com 10316

http://www.qq.com 10316

http://www.sohu.com 10316

http://www.sina.com 10316

http://www.bilibili.com 10316

http://www.sogou.com 10316

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏技术小站

搞定python多线程和多进程

线程是操作系统能够进行运算调度的最小单位。它被包含在进程之中,是进程中的实际运作单位。一条线程指的是进程中一个单一顺序的控制流,一个进程中可以并发多个线程,每条...

1051
来自专栏JMCui

基于Nginx和Zookeeper实现Dubbo的分布式服务

2604
来自专栏Python爬虫与算法进阶

Python函数超时,用装饰器解决

我们在自定义一个函数后,会调用这个函数来完成我们想要的功能。 就拿爬虫来举例,你发送请求,服务器给你响应,但是有可能服务器没有给你任何数据,无论是他识别了爬虫、...

3312
来自专栏乐百川的学习频道

Flask 快速入门

Flask是一个Python编写的Web 微框架,让我们可以使用Python语言快速实现一个网站或Web服务。本文参考自Flask官方文档,大部分代码引用自官方...

33310
来自专栏Android干货

Python IO编程

循环读取文件内容,一般读取文件内容一次读取完,内存是不够的,就要实现一次次少量数据读取

1202
来自专栏技术小站

Python 多线程与多进程

原文地址:http://www.cnblogs.com/whatisfantasy/p/6440585.html

1272
来自专栏腾讯NEXT学位

深入理解 ES6 模块机制

3146
来自专栏orientlu

初试 Protocol Buffer

如下, 一般情况下,进行消息发送的时候,对于 c/c++, 双方统一使用相同的结构体,发送时直接按内存块丢出去,接收后内存块直接赋值给结构体即可。但是这种对于其...

1363
来自专栏FreeBuf

Node.js中的内存泄漏分析

内存泄漏(Memory Leak)指由于疏忽或错误造成程序未能释放已经不再使用的内存的情况。如果内存泄漏的位置比较关键,那么随着处理的进行可能持有越来越多的无用...

5245
来自专栏程序员同行者

python3模块: os

1113

扫码关注云+社区

领取腾讯云代金券