本文共 2807 字,大约阅读时间需要 9 分钟。
目录
由于Python的GIL,多线程未必是CPU密集型程序的好的选择
多进程可以完全独立的进程环境中运行程序,可以充分地利用多处理器 但是进程本身的隔离代理的数据不共享也是一个问题,而且线程比进程轻量级
Process类
Process类遵循了Thread类的API,减少了学习难度;
先看一个例子,前面介绍的单线程、多线程比较的例子的多进程版本import multiprocessingimport datetimedef cacl(i): sum = 0 for _ in range(100000000): sum +=1 print(i,sum)if __name__ == '__main__': start = datetime.datetime.now() ps = [] for i in range(5): p = multiprocessing.Process(target=cacl,args=(i,),name="cacl-{}".format(i)) ps.append(p) p.start() for p in ps: p.join() delta = (datetime.datetime.now()-start).total_seconds() print(delta)结果:2 1000000001 1000000004 1000000003 1000000000 1000000005.942173单线程、多线程都跑了4分钟多,而多进程用了1分半,这是真并行
名称 说明 pid 进程id exitcode 进程退出状态码,0代表退出,非0代表有问题 terminate() 终止指定的进程
进程间同步提供了和线程一样的类,使用的方法一样,使用的效果也类似
不过,进程间代价要高于线程间,而且底层实现是不同的,只不过Python屏蔽了这些不同之处,让用户简单使用多进程multiprocessing还提供共享内容,服务器进程来共享数据,还提供了Queue队列、Pipe管道用户进程间通信。
通信方式不同:
- 多进程就是启动多个解释器进程,进程间通信必须序列化、反序列化
- 数据的线程安全性问题:由于每个进程中没有实现多线程,GIL可以说没什么用了
进程池举例
multiprocessing.Pool是进程池类。
名称 说明 apply(self,func,args=(),kwds={} ) 阻塞执行,导致主进程执行其他子进程就像一个个执行 apply_async(self,func,args=(),kwds={},callback=None,error_callback=None) 与apply方法用法一致,非阻塞执行,得到结果后执行回调 close() 关闭池,池不能接受新的任务 terminate() 结束工作线程,不在处理未处理的任务 join() 在close或terminate之后使用 import loggingimport datetimeimport multiprocessing#日志打印进程ID、进程名、线程id、线程名logging.basicConfig(level=logging.INFO,format='%(process)d %(processName)s %(thread)d %(message)s')#计算def calc(i): sum = 0 for _ in range(100000000): sum +=1 logging.info("{} .in funcating".format(sum)) return sum #进程要return,callback可以拿到这个效果if __name__ == '__main__': start=datetime.datetime.now() pool = multiprocessing.Pool(5) for i in range(5): #回调函数必须接受一个参数 pool.apply_async(calc,args=(i,),callback=lambda x:logging.info("{}.incallback".format(x))) #异步执行 pool.close() pool.join() delta=(datetime.datetime.now()-start).total_seconds() print(delta) print("主进程结束")结果:23900 SpawnPoolWorker-1 2800 100000000 .in funcating16320 MainProcess 24952 100000000.incallback19572 SpawnPoolWorker-5 17160 100000000 .in funcating16320 MainProcess 24952 100000000.incallback7272 SpawnPoolWorker-3 19112 100000000 .in funcating16320 MainProcess 24952 100000000.incallback3104 SpawnPoolWorker-4 7044 100000000 .in funcating16320 MainProcess 24952 100000000.incallback12684 SpawnPoolWorker-2 24104 100000000 .in funcating16320 MainProcess 24952 100000000.incallback6.163994主进程结束
1、CPU密集型
CPython中使用到了GIL,多线程的时候相互竞争 ,且多核优势不能发挥,Python多进程效率更高2、IO密集型
适合适用多线程,可以减少多进程间IO的序列化开销。且在IO等待的时候,切换到其他线程继续执行,效率不错
请求/应答模型:WEB应用总常见的处理模型
master启动多个woker工作进程,一般和CPU数目相同,发挥多核优势
worker工作进程中,往往需要操作网络IO和磁盘IO,启动多线程,提高并发处理能力。worker处理用户的请求,往往需要的等待数据,处理完请求还要通过网络IO返回响应,这就是nginx工作模式
转载地址:http://koesi.baihongyu.com/