一：多进程的优点、应用场景
耗CPU计算时多进程速度大于多线程，可以最大化利用CPU计算。多进程有更强的容错性，一个进程出错不会影响其他进程。通常不需要考虑锁和同步资源的问题。
二：进程使用方法
- 实例化
multiprocessing.Process，调用Threading的方法去进行多线程编程 - 写子类继承
multiprocessing.Process，重写相应的方法
说明：当程序简单时可使用实例化方法，当程序较复杂的时候，实现逻辑较多，第二种方法。 - linux 中
os.fork()拷贝父进程全部数据资源，fork之后的代码父子进程都会继续运行。 -
concurrent.futures下的ProcessPoolExecutor就像上次的多线程那样操作，非常类似。
三： 进程间通信
- 共享全局变量不适用多进程，多线程可以用。因为多进程的数据资源是隔离开的，相互独立无法共享变量。
- 需要明确的是多进程间的通信和多线程不一样，不能用
queue.Queue作为队列要用multiprocessing.Queue -
multiprocessing的Queue不能用于 Pool ( 进程池)，需要用multiprocessing的Manager的Queue，需要实例化：queue = Manager().Queue() -
multiprocessing的Pipe：用法recevid_pipe, send_pipe = Pipe()只能适用于两个指定的进程。性能高于queue
四：进程的实例代码
#方法一：multiprocessing.Process
import multiprocessing
import requests
def download_html(i):
url = f'https://www.baidu.com/s?ie=UTF-8&wd={i}'
response = requests.get(url).text
print(response)
ids = list(range(100))
# 方法一
for i in range(5):
p = multiprocessing.Process(target=process, args=(i,))
p.start()
# 方法二
def multipro_main(ids ):
pool = multiprocessing.Pool(10)
pool.map(download_html, ids)
pool.close()
pool.join()
# 方法三
from multiprocessing.dummy import Pool as thpool
def thread_pool(ids ):
pool = thpool(10)
pool.map(download_html, ids)
pool.close()
pool.join()
# 方法四 （推荐，和多线程接口类似）
from concurrent.futures import ProcessPoolExecutor
with ProcessPoolExecutor(10) as executor:
executor.map(download_html, ids)
五：总结
concurrent.futures 是一个非常不错的库，多线程和多进程无缝切换，非常方便。这个库设计思路也很好，为后面的写异步协程的代码也打下基础。
代码位置：github.com/rieuse/learnPython
