目录
multiprocessing模块：... 1
多进程举例：... 2
multiprocessing.Pool，进程池：... 3
concurrent包：... 3
多进程：
由于py的GIL，多线程未必是cpu密集型程序好的选择；
多进程，可在完全独立的进程环境中运行程序，可充分利用多处理器；
但进程本身的隔离带来的数据不共享是个问题；
线程比进程轻量级；
Process类：
遵循了Thread类的API，减少了学习难度；
多进程，一定要在__main__()中，否则抛错；
p=multiprocessing.Process()
p.pid，进程ID；
p.exitcode，进程的退出状态码；
p.terminate()，终止指定的进程；
进程间同步：
提供了和线程同步一样的类，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，而且底层实现不同，只不过py屏蔽了这些，让用户能简单使用（py提供的库抹平了它们之间的差别，为方便使用）；
multiprocessing还提供了共享内存、服务器进程来共享数据；还提供了Queue、Pipe（上一个进程的标准输出到下一个进程的标准输入）用来进程间通信；
Queue.queue是线程级别的锁；
multiprocessing.Queue可跨进程用，用的少；此时应用第三方工具MQ，单机进程间通信用的也少，一般应用都是跨节点的进程间通信，即RPC；RPC框架很多，如swfit、dubbo；
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可以说没用了；
进程池：
只允许使用计算机这么多资源（不能抢占计算机其它资源）；
很多进程要反复创建的情形下，用进程池；
多进程、多线程的选择：
CPU密集型，cpython中使用GIL，多线程时锁相互竞争，多核优势不能发挥，用py多进程（多个解释器进程）效率更高；
IO密集型，适合用多线程，减少IO序列化开销，且在IO等待时，切换到其它线程继续执行，效率不错；
应用场景：
请求-应答模型；
web应用中常见的处理模型，用多进程+多线程；
如，nginx工作模式：
master启动多个worker工作进程，一般和cpu数目相同；
worker中启动多线程，提高并发处理能力，worker处理用户的请求，往往需要等待数据；
nginx应就地本地编译（本地指令集，甚至用指定cpu（如intel）编译器编译，这样可优化指令，性能更高）；
例：
def calc(i):
sum = 0
for _ in range(100000000):
sum += 1
if __name__ == '__main__': #使用多进程，必须要在main中执行，否则报错
start = datetime.datetime.now()
lst = []
for i in range(5):
p = multiprocessing.Process(target=calc, args=(i,), name='p-{}'.format(i))
p.start()
lst.append(p)
for p in lst:
p.join()
delta = (datetime.datetime.now()-start).total_seconds()
print(delta) #win上查看，有5个py进程
输出：
20.037146
例，进程池：
def calc(i):
sum = 0
for _ in range(100000000):
sum += 1
if __name__ == '__main__':
start = datetime.datetime.now()
pool = multiprocessing.Pool(5)
for i in range(5):
pool.apply_async(calc,args=(i,))
pool.close() #重要，要有此步
pool.join()
delta = (datetime.datetime.now()-start).total_seconds()
print(delta)
目前仅有一个concurrent.futures，3.2引入；
异步并行任务编程模块，提供一个高级的异步可执行的便利接口；
提供了2个池执行器：
ThreadPoolExecutor，异步调用的线程池的Executor；
ProcessPoolExecutor，异步调用的进程池的Executor；
from conncurrent import futures
executor=futures.ThreadPoolExecutor(max_workers=1)，池中至多创建max_workers个线程来同时异步执行，默认1个，返回Executor实例；
f=executor.submit(fn,*args,**kwargs)，提交执行的函数及其参数，返回Futures实例；
executor.shutdown(wait=True)，清理池；
Future类（submit()的实例）：
f=executor.submit(work,2)
f.result()，可查看调用的返回的结果，函数的return结果；
f.done()，如果调用被成功的取消或执行完成，返回True，是标志，注意不是函数的返回值；
f.cancelled()，如果调用被成功的取消，返回True；
f.running()，如果正在运行且不能被取消，返回True；
f.cancel()，尝试取消调用，如果已经执行且不能取消，返回False，否则返回True；
f.result(timeout=None)，取返回的结果，超时为None，一直等待返回；
f.exception(timeout=None)，取返回的异常，超时为None，一直等待返回；
支持上下文管理：
futures.ThreadPoolExecutor继承自_base.Executor，父类有__enter__()和__exit__()方法；
例：
with futures.ThreadPoolExecutor(max_workers=1) as executor:
future = executor.submit(pow, 2, 3)
print(future.result())
输出：
8
总结：
统一了线程池、进程池调用，简化了编程；
是py简单的思想哲学的体现；
唯一的缺点，无法设置线程名称；
例，多线程：
def work(n):
logging.info('working-{}'.format(n))
time.sleep(5)
logging.info('end-work-{}'.format(n))
executor = futures.ThreadPoolExecutor(3)
fs = []
for i in range(3):
f = executor.submit(work, i)
fs.append(f)
for i in range(3):
f = executor.submit(work, i)
fs.append(f)
for i in range(3):
f = executor.submit(work, i)
fs.append(f)
while True:
time.sleep(2)
logging.info(threading.enumerate())
flag = True
for f in fs:
flag = flag and f.done()
if flag:
executor.shutdown()
logging.info(threading.enumerate())
break
例，多进程：
def work(n):
logging.info('working-{}'.format(n))
time.sleep(5)
logging.info('end-work-{}'.format(n))
if __name__ == '__main__':
executor = futures.ProcessPoolExecutor(3)
fs = []
for i in range(3):
f = executor.submit(work, i)
fs.append(f)
for i in range(3):
f = executor.submit(work, i)
fs.append(f)
for i in range(3):
f = executor.submit(work, i)
fs.append(f)
while True:
time.sleep(2)
logging.info(threading.enumerate())
flag = True
for f in fs:
flag = flag and f.done()
if flag:
executor.shutdown()
# logging.info(threading.enumerate()) #多进程用不上
break
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
