Python学习—pyhton中的进程
1.进程定义
进程: 进程就是一个程序在一个数据集上的一次动态执行过程。进程一般由程序、数据、进程控制块(pcb)三部分组成。
(1)我们编写的程序用来描述进程要完成哪些功能以及如何完成;
(2)数据则是程序在执行过程中所需要使用的资源;
(3)进程控制块用来记录进程的所有信息。系统可以利用它来控制和管理进程,它是系统感知进程存在的唯一标志。
创新互联建站是一家专注于成都网站建设、网站制作与策划设计,苍南网站建设哪家好?创新互联建站做网站,专注于网站建设十载,网设计领域的专业建站公司;建站业务涵盖:苍南等地区。苍南做网站价格咨询:18980820575
2.创建进程
新创建的进程在内存独立开辟一块空间,不与其他进程共享空间、数据。
同一个进程中,新创建的线程与此进程里其他线程共享空间、数据。
1.os.fork()函数
os模块的三个方法:
os.fork()创建一个当前进程的子进程
os.getpid()获取当前进程pid
os.getppid()获取当前进程的父进程的Pid
关于fork():
它用来创建一个进程,即为当前进程的子进程,复制父进程的所有代码并从fork语句处开始运行。运行父进程还是子进程的取决于当前os调度策略。
在父进程中返回子进程的pid,在子进程中返回0。即返回0表示在子进程中运行,返回大与0的数表示在父进程中运行。
例子:
import os
print('当前进程:',os.getpid())
print('当前进程的父进程:',os.getppid())
pid = os.fork()
if pid == 0:
print('此时为子进程:',os.getpid(),'\n其父进程:',os.getppid())
else:
print('父进程:',os.getpid(),'\nos.fork的返回值pid:',pid)
运行结果:
当前进程: 16839
当前进程的父进程: 2912
父进程: 16839
os.fork的返回值pid: 16842
此时为子进程: 16842
其父进程: 16839
从运行结果中看,在linux中fork产生子进程后是先运行父进程,当父进程结束后再进入子进程运行。
2.实例化进程类
直接通过实例化进程类multiprocessing.Process创建新进程。
和线程类一样,进程类也有start()方法,join()方法。调用对象的start()方法实例上也是调用的类中的run()方法。
# 导入进程模块
import multiprocessing
import os
def job(ss):
print(ss,'当前子进程:%s' %os.getpid())
#实例化进程类,并提交任务,传入任务所需要的参数
p1 = multiprocessing.Process(target=job,args=('abc',))
p1.start()
p2 = multiprocessing.Process(target=job,args=('123',))
p2.start()
# 和线程一样,进程也有join方法。
p1.join()
p2.join()
print('完成......')
运行结果:
abc 当前子进程:17234
123 当前子进程:17235
完成......
3.继承进程类来自定义进程类
继承python提供的进程类,重写方法,创建自己所需要的进程类,再实例化自定义的进程类。
import multiprocessing
class Job(multiprocessing.Process):
#重写构造方法
def __init__(self,cc):
super(Job, self).__init__()
self.cc = cc
#重写run方法,和线程一样
def run(self):
print(self.cc)
#实例化对象
if __name__ == "__main__":
pp = []
for i in range(10):
p = Job(str(i)+':123456')
pp.append(p)
p.start()
for p in pp:
p.join()
print('hahhahaha')
运行结果:
0:123456
1:123456
2:123456
3:123456
4:123456
5:123456
6:123456
7:123456
8:123456
9:123456
hahhahaha
3.多进程与多线程的对比
import threading
import multiprocessing
from timeit import timeit
class Jobthread(threading.Thread):
def __init__(self,li):
super(Jobthread,self).__init__()
self.li = li
def run(self):
sum(self.li)
class Jobprocess(multiprocessing.Process):
def __init__(self,li):
super(Jobprocess, self).__init__()
self.li = li
def run(self):
for i in self.li:
sum(i)
# 这个装饰器是自己写的,用来计算某个函数执行时间
@timeit
def use_Pro(list):
for i in range(0,len(list), 1000):
p = Jobprocess(list[i:i+1000])
p.start()
@timeit
def use_Thr(list):
for li in list:
t = Jobthread(li)
t.start
if __name__ == "__main__":
list = [[1,2,3,4,5,6],[2,3,4,5,6,7],[3,4,5,6,7,8],[4,5,6,7,8,9]]*1000
use_Pro(list)
use_Thr(list)
运行结果:
use_Pro运行时间0.0041866302490234375
use_Thr运行时间0.02240157127380371
正如看到的结果一样,多进程适合计算密集型任务,多线程适合i/o密集型任务。
3.守护进程与终止进程
1.守护进程-daemon属性
和线程类似,进程类也有一个daemon属性,默认值为False。
当改变他的值为True时,当主进程结束,就会强行终止其他的所以进程。
实例:
(1)第一个程序
import multiprocessing
import time
def job():
print('开始子进程')
time.sleep(3)
print('子进程结束')
if __name__ == "__main__":
p = multiprocessing.Process(target=job)
p.start()
print("程序结束......")
运行结果:
程序结束......
开始子进程
子进程结束
主进程结束,其他进程还在继续执行。
(2)第二个程序
import multiprocessing
import time
def job():
print('开始子进程')
time.sleep(3)
print('子进程结束')
if __name__ == "__main__":
p = multiprocessing.Process(target=job)
p.daemon = True
p.start()
print("程序结束......")
运行结果:
程序结束......
当主进程结束,其他进程将会被强制终止结束。
2.终止进程
import multiprocessing
import time
def job():
print('开始子进程')
time.sleep(3)
print('子进程结束')
if __name__ == "__main__":
p = multiprocessing.Process(target=job)
p.daemon = True
print(p.is_alive()) #启动进程之前查看进程状态
p.start()
print(p.is_alive()) #启动进程之后查看进程状态
p.terminate() #终止进程
print(p.is_alive()) #终止进程命令一发出后,查看进程状态。此时进程在释放过程中,还没有被完全释放。
p.join() #先让进程完全释放
print(p.is_alive()) #最后查看进程状态
print("程序结束......")
运行结果:
False
True
True
False
程序结束......
4.进程间通信
"""
通过队列实现进程间通信,队列充当消息管道的作用(类似生产者消费者模型)
这里通信一直存在,也就是这两个进程会一直存在,没有销毁释放。
"""
import multiprocessing
from multiprocessing import Queue
import time
class Put_news(multiprocessing.Process):
def __init__(self,queue):
super(Put_news, self).__init__()
self.queue = queue
def run(self):
for i in range(100):
self.queue.put(i)
print("传递消息:%s" %i)
time.sleep(0.1)
class Get_news(multiprocessing.Process):
def __init__(self,queue):
super(Get_news, self).__init__()
self.queue = queue
def run(self):
while True:
time.sleep(0.11)
print("接收消息++++++++++++:%s" %(self.queue.get()))
if __name__ == "__main__":
q = Queue()
p = Put_news(q)
g = Get_news(q)
p.start()
g.start()
if not p.is_alive():
g.terminate()
运行结果:
5.分布式进程
任务需要处理的数据特别大, 希望多台主机共同处理任务。multiprocessing.managers子模块里面可以实现将进程分布到多台机器上
(管理端主机要运算一些列任务,通过与其他主机建立“连接“,将任务分配给其他主机执行,并将执行结果返回给管理端主机。)
管理端主机代码:
import random
from queue import Queue
from multiprocessing.managers import BaseManager
# 1.创建队列(发送任务的队列,收取结果的队列)
task_queue = Queue()
result_queue = Queue()
# 第二三步骤可以互换顺序
# 2.将队列注册到网络(这样其他主机可以通过网络接收任务,发送结果)
# 注册的队列(任务队列,结果队列)的唯一标识码分别为'put_task_queue','get_result_queue'
BaseManager.register('put_task_queue',callable=lambda :task_queue)
BaseManager.register('get_result_queue',callable=lambda : result_queue)
# 3.绑定端口(3333),设定密码(hahahaha)
manager = BaseManager(address=('172.25.254.158',3333),authkey=b'hahahaha')
# 4.启动manager,开始共享队列
manager.start()
# 5.通过网络访问共享的队列
task = manager.put_task_queue()
result = manager.get_result_queue()
# 6.向任务队列中放入执行任务的数据,这里放入100个任务
for i in range(100):
n = random.randint(10,500)
task.put(n)
print('任务列表加入数据:'+str(n))
# 7.从结果队列中读取各个主机的任务执行结果
for j in range(100):
res = result.get()
print('执行结果:'+str(res))
# 8.任务执行结束,关闭共享队列
manager.shutdown()
运算主机代码:
"""
在各个工作主机上执行的代码相同
"""
from multiprocessing.managers import BaseManager
# 1. 连接manager端,获取共享的队列
import time
worker = BaseManager(address=('172.25.254.158',3333),authkey=b'hahahaha')
# 2.注册队列,去获取网络上共享的队列中的内容
BaseManager.register('put_task_queue')
BaseManager.register('get_result_queue')
# 3.连接网络
worker.connect()
# 4.通过网络访问共享的队列
task = worker.put_task_queue()
result = worker.get_result_queue()
# 5.读取任务,处理任务,这里读取了50个任务进行处理
# 每台运算主机上的处理任务数量可以不同,不过为了避免修改代码,一般都相同。
for i in range(50):
n = task.get()
print('执行任务 %d**2 = '%(n))
res = '%d**2=%d' %(n,n**2) #这里设置执行的任务是求平方
result.put(res) #将结果放入结果队列
time.sleep(1) #休息1秒
print('工作主机执行任务结束.....')
6.进程池
和线程一样,进程也有进程池。
1.第一种方法
import multiprocessing
import time
def job(id):
print('start id ---> %d' %id)
print('end id ----> %d' %id)
time.sleep(3)
# 创建含有8个进程的进程池
pool = multiprocessing.Pool(8)
# 给进城池的进程分配任务
for i in range(12):
pool.apply_async(job,args=(i,))
# 关闭进程池,使进程池不再工作运行
pool.close()
# 等待所有子进程结束之后再开始主进程
pool.join()
print('all works completed!')
运行结果:
start id ---> 0
end id ----> 0
start id ---> 1
end id ----> 1
start id ---> 2
end id ----> 2
start id ---> 3
end id ----> 3
start id ---> 4
end id ----> 4
start id ---> 5
end id ----> 5
start id ---> 6
end id ----> 6
start id ---> 7
end id ----> 7
start id ---> 8
end id ----> 8
start id ---> 9
end id ----> 9
start id ---> 10
end id ----> 10
start id ---> 11
end id ----> 11
all works completed!
2.第二种方法
from concurrent.futures import ProcessPoolExecutor
import time
def job(id):
print('start id ---> %d' %id)
print('end id ----> %d' %id)
time.sleep(3)
# 创建含有2个进程的进程池
pool = ProcessPoolExecutor(max_workers=2)
# 给进程池的进程分配任务,submit方法返回一个_base.Future对象
f1 = pool.submit(job,1)
f2 = pool.submit(job,2)
f3 = pool.submit(job,3)
f4 = pool.submit(job,4)
# 执行f1对象的各种方法
f1.done()
f1.result()
运行结果:
start id ---> 1
end id ----> 1
start id ---> 2
end id ----> 2
start id ---> 3
end id ----> 3
start id ---> 4
end id ----> 4
3.第三种方法
from concurrent.futures import ProcessPoolExecutor
import time
def job(id):
print('start id ---> %d' %id)
print('end id ----> %d' %id)
time.sleep(1)
pool = ProcessPoolExecutor(max_workers=3)
pool.map(job,range(1,10))
运行结果:
start id ---> 1
end id ----> 1
start id ---> 2
end id ----> 2
start id ---> 3
end id ----> 3
start id ---> 4
end id ----> 4
start id ---> 5
end id ----> 5
start id ---> 6
end id ----> 6
start id ---> 7
end id ----> 7
start id ---> 8
end id ----> 8
start id ---> 9
end id ----> 9
标题名称:Python学习—pyhton中的进程
URL地址:http://scyanting.com/article/pjgcgh.html