一、概述
- 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？
- 这样就引入了进程池，进程池是指定义一个进程池，在里面放上固定数量的进程，有需求来了，就拿进程池中的一个进程来处理任务，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，进程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。
二、常用方法与属性
- Pool([numprocess [,initializer [, initargs]]])
- 创建进程池
- numprocess:要创建的进程数，如果省略，将默认使用os.cpu_count()的值
- initializer：是每个工作进程启动时要执行的可调用对象，默认为None
- initargs：是要传给initializer的参数组
- 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。
- 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。
- 实例具有以下方法
三、示例
- 异步进程池
import os
import random
import time
from multiprocessing import Pool
def work(n):
print('%s run' %os.getpid())
time.sleep(random.random())
return n**2
if __name__ == "__main__":
p = Pool(5) #一般为CPU核数+1
res_list = []
for i in range(10):
'''
异步运行，根据进程池中有的进程数，每次最多5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 = p.apply_async(work, args=(i,))
res_list.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
join，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_list:
'''
使用get来获取apply_async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())
- 同步进程池
import os
import time
from multiprocessing import Pool
def work(n):
print('%s run' %os.getpid())
time.sleep(1)
return n**2
if __name__ == '__main__':
p = Pool(5) #CPU核数+1
res_list = []
for i in range(10):
'''
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,))
res_list.append(res)
print(res_list)
- 进程池实现socket
sever.py
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(5)
while True:
conn, *_ = server.accept()
p.apply_async(talk, args=(conn,))
client.py
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'))
