公衆號：pythonislover
前面寫了三篇關於python多線程的文章，大概概況了多線程使用中的方法，文章鏈接如下：
一篇文章搞懂Python多線程簡單實現和GIL - https://mp.weixin.qq.com/s/Hgp-x-T3ss4IiVk2_4VUrA
一篇文章理清Python多線程同步鎖，死鎖和遞歸鎖 - https://mp.weixin.qq.com/s/RZSBe2MG9tsbUVZLHxK9NA
一篇文章理清Python多線程之同步條件，信號量和隊列 - https://mp.weixin.qq.com/s/vKsNbDZnvg6LHWVA-AOIMA
今天開始會開啓python多進程的內容，大家看過前面文章的應該都知道python中的GIL的存在，也就是多線程的時候，同一時間只能有一個線程在CPU上運行，而且是單個CPU上運行，不管你的CPU有多少核數。如果想要充分地使用多核CPU的資源，在python中大部分情況需要使用多進程。
1.Python多進程模塊
Python中的多進程是通過multiprocessing包來實現的，和多線程的threading.Thread差不多，它可以利用multiprocessing.Process對象來創建一個進程對象。這個進程對象的方法和線程對象的方法差不多也有start(), run(), join()等方法，其中有一個方法不同Thread線程對象中的守護線程方法是setDeamon，而Process進程對象的守護進程是通過設置daemon屬性來完成的。
下面說說Python多進程的實現方法，和多線程類似
2.Python多進程實現方法一
from multiprocessing import Process
def fun1(name):
print('測試%s多進程' %name)
if __name__ == '__main__':
process_list = []
for i in range(5): #開啓5個子進程執行fun1函數
p = Process(target=fun1,args=('Python',)) #實例化進程對象
p.start()
process_list.append(p)
for i in process_list:
p.join()
print('結束測試')結果
測試Python多進程
測試Python多進程
測試Python多進程
測試Python多進程
測試Python多進程
結束測試
Process finished with exit code 0上面的代碼開啓了5個子進程去執行函數，我們可以觀察結果，是同時打印的，這裏實現了真正的並行操作，就是多個CPU同時執行任務。我們知道進程是python中最小的資源分配單元，也就是進程中間的數據，內存是不共享的，每啓動一個進程，都要獨立分配資源和拷貝訪問的數據，所以進程的啓動和銷燬的代價是比較大了，所以在實際中使用多進程，要根據服務器的配置來設定。
3.Python多進程實現方法二
還記得python多線程的第二種實現方法嗎?是通過類繼承的方法來實現的，python多進程的第二種實現方式也是一樣的
from multiprocessing import Process
class MyProcess(Process): #繼承Process類
def __init__(self,name):
super(MyProcess,self).__init__()
self.name = name
def run(self):
print('測試%s多進程' % self.name)
if __name__ == '__main__':
process_list = []
for i in range(5): #開啓5個子進程執行fun1函數
p = MyProcess('Python') #實例化進程對象
p.start()
process_list.append(p)
for i in process_list:
p.join()
print('結束測試')結果
測試Python多進程
測試Python多進程
測試Python多進程
測試Python多進程
測試Python多進程
結束測試
Process finished with exit code 0效果和第一種方式一樣。
我們可以看到Python多進程的實現方式和多線程的實現方式幾乎一樣。
Process類的其他方法
構造方法：
Process([group [, target [, name [, args [, kwargs]]]]])
group: 線程組
target: 要執行的方法
name: 進程名
args/kwargs: 要傳入方法的參數
實例方法：
is_alive()：返回進程是否在運行,bool類型。
join([timeout])：阻塞當前上下文環境的進程程，直到調用此方法的進程終止或到達指定的timeout（可選參數）。
start()：進程準備就緒，等待CPU調度
run()：strat()調用run方法，如果實例進程時未制定傳入target，這star執行t默認run()方法。
terminate()：不管任務是否完成，立即停止工作進程
屬性：
daemon：和線程的setDeamon功能一樣
name：進程名字
pid：進程號關於join，daemon的使用和python多線程一樣，這裏就不在複述了，大家可以看看以前的python多線程系列文章。
4.Python多線程的通信
進程是系統獨立調度核分配系統資源（CPU、內存）的基本單位，進程之間是相互獨立的，每啓動一個新的進程相當於把數據進行了一次克隆，子進程裏的數據修改無法影響到主進程中的數據，不同子進程之間的數據也不能共享，這是多進程在使用中與多線程最明顯的區別。但是難道Python多進程中間難道就是孤立的嗎？當然不是，python也提供了多種方法實現了多進程中間的通信和數據共享（可以修改一份數據）
進程對列Queue
Queue在多線程中也說到過，在生成者消費者模式中使用，是線程安全的，是生產者和消費者中間的數據管道，那在python多進程中，它其實就是進程之間的數據管道，實現進程通信。
from multiprocessing import Process,Queue
def fun1(q,i):
print('子進程%s 開始put數據' %i)
q.put('我是%s 通過Queue通信' %i)
if __name__ == '__main__':
q = Queue()
process_list = []
for i in range(3):
p = Process(target=fun1,args=(q,i,)) #注意args裏面要把q對象傳給我們要執行的方法，這樣子進程才能和主進程用Queue來通信
p.start()
process_list.append(p)
for i in process_list:
p.join()
print('主進程獲取Queue數據')
print(q.get())
print(q.get())
print(q.get())
print('結束測試')結果
子進程0 開始put數據
子進程1 開始put數據
子進程2 開始put數據
主進程獲取Queue數據
我是0 通過Queue通信
我是1 通過Queue通信
我是2 通過Queue通信
結束測試
Process finished with exit code 0上面的代碼結果可以看到我們主進程中可以通過Queue獲取子進程中put的數據，實現進程間的通信。
管道Pipe
管道Pipe和Queue的作用大致差不多，也是實現進程間的通信，下面之間看怎麼使用吧
from multiprocessing import Process, Pipe
def fun1(conn):
print('子進程發送消息：')
conn.send('你好主進程')
print('子進程接受消息：')
print(conn.recv())
conn.close()
if __name__ == '__main__':
conn1, conn2 = Pipe() #關鍵點，pipe實例化生成一個雙向管
p = Process(target=fun1, args=(conn2,)) #conn2傳給子進程
p.start()
print('主進程接受消息：')
print(conn1.recv())
print('主進程發送消息：')
conn1.send("你好子進程")
p.join()
print('結束測試')結果
主進程接受消息：
子進程發送消息：
子進程接受消息：
你好主進程
主進程發送消息：
你好子進程
結束測試
Process finished with exit code 0上面可以看到主進程和子進程可以相互發送消息
Managers
Queue和Pipe只是實現了數據交互，並沒實現數據共享，即一個進程去更改另一個進程的數據。那麼久要用到Managers
from multiprocessing import Process, Manager
def fun1(dic,lis,index):
dic[index] = 'a'
dic['2'] = 'b'
lis.append(index) #[0,1,2,3,4,0,1,2,3,4,5,6,7,8,9]
#print(l)
if __name__ == '__main__':
with Manager() as manager:
dic = manager.dict()#注意字典的聲明方式，不能直接通過{}來定義
l = manager.list(range(5))#[0,1,2,3,4]
process_list = []
for i in range(10):
p = Process(target=fun1, args=(dic,l,i))
p.start()
process_list.append(p)
for res in process_list:
res.join()
print(dic)
print(l)結果：
{0: 'a', '2': 'b', 3: 'a', 1: 'a', 2: 'a', 4: 'a', 5: 'a', 7: 'a', 6: 'a', 8: 'a', 9: 'a'}
[0, 1, 2, 3, 4, 0, 3, 1, 2, 4, 5, 7, 6, 8, 9]可以看到主進程定義了一個字典和一個列表，在子進程中，可以添加和修改字典的內容，在列表中插入新的數據，實現進程間的數據共享，即可以共同修改同一份數據
5.進程池
進程池內部維護一個進程序列，當使用時，則去進程池中獲取一個進程，如果進程池序列中沒有可供使用的進進程，那麼程序就會等待，直到進程池中有可用進程爲止。就是固定有幾個進程可以使用。
進程池中有兩個方法：
apply：同步，一般不使用
apply_async：異步
from multiprocessing import Process,Pool
import os, time, random
def fun1(name):
print('Run task %s (%s)...' % (name, os.getpid()))
start = time.time()
time.sleep(random.random() * 3)
end = time.time()
print('Task %s runs %0.2f seconds.' % (name, (end - start)))
if __name__=='__main__':
pool = Pool(5) #創建一個5個進程的進程池
for i in range(10):
pool.apply_async(func=fun1, args=(i,))
pool.close()
pool.join()
print('結束測試')結果
Run task 0 (37476)...
Run task 1 (4044)...
Task 0 runs 0.03 seconds.
Run task 2 (37476)...
Run task 3 (17252)...
Run task 4 (16448)...
Run task 5 (24804)...
Task 2 runs 0.27 seconds.
Run task 6 (37476)...
Task 1 runs 0.58 seconds.
Run task 7 (4044)...
Task 3 runs 0.98 seconds.
Run task 8 (17252)...
Task 5 runs 1.13 seconds.
Run task 9 (24804)...
Task 6 runs 1.46 seconds.
Task 4 runs 2.73 seconds.
Task 8 runs 2.18 seconds.
Task 7 runs 2.93 seconds.
Task 9 runs 2.93 seconds.
結束測試對Pool對象調用join()方法會等待所有子進程執行完畢，調用join()之前必須先調用close()，調用close()之後就不能繼續添加新的Process了。
進程池map方法
案例來源於網絡，侵權請告知，謝謝
因爲網上看到這個例子覺得不錯，所以這裏就不自己寫案例，這個案例比較有說服力
import os
import PIL
from multiprocessing import Pool
from PIL import Image
SIZE = (75,75)
SAVE_DIRECTORY = \'thumbs\'
def get_image_paths(folder):
return (os.path.join(folder, f)
for f in os.listdir(folder)
if \'jpeg\' in f)
def create_thumbnail(filename):
im = Image.open(filename)
im.thumbnail(SIZE, Image.ANTIALIAS)
base, fname = os.path.split(filename)
save_path = os.path.join(base, SAVE_DIRECTORY, fname)
im.save(save_path)
if __name__ == \'__main__\':
folder = os.path.abspath(
\'11_18_2013_R000_IQM_Big_Sur_Mon__e10d1958e7b766c3e840\')
os.mkdir(os.path.join(folder, SAVE_DIRECTORY))
images = get_image_paths(folder)
pool = Pool()
pool.map(creat_thumbnail, images) #關鍵點，images是一個可迭代對象
pool.close()
pool.join()上邊這段代碼的主要工作就是將遍歷傳入的文件夾中的圖片文件，一一生成縮略圖，並將這些縮略圖保存到特定文件夾中。這我的機器上，用這一程序處理 6000 張圖片需要花費 27.9 秒。 map 函數並不支持手動線程管理，反而使得相關的 debug 工作也變得異常簡單。
map在爬蟲的領域裏也可以使用，比如多個URL的內容爬取，可以把URL放入元祖裏，然後傳給執行函數。