1.管道

　　进程间通信（IPC）方式二：管道（不推荐使用，了解即可），端口易导致数据不安全的情况出现。

1 from multiprocessing import Pipe,Process 2  3  4 def func(conn1,conn2): 5     msg = conn1.recv()  # 接收了conn2传递的 6     # msg1 = conn2.recv()  # 接收了conn1传递的 7     print('>>>',msg) 8     # print('>>>',msg1) 9 10 11 if __name__ == '__main__':12     # 拿到管道的两端，双工通信方式，两端都可以收发消息13     conn1,conn2 = Pipe()  # 必须在Process之前产生管道14     p = Process(target=func,args=(conn1,conn2,))  # 管道给子进程15     p.start()16     conn1.send('hello')17     conn1.close()18     conn2.send('小子')19     conn2.close()20 21     print('进程结束')22 23 # 注意管道不用了就关闭防止异常

 

 

2.共享数据

　　进程之间数据共享的模块之一Manager模块(少用)：

　　进程间数据是独立的，可以借助于队列或管道实现通信，二者都是基于消息传递的虽然进程间数据独立，但可以通过Manager实现数据共享：

1 from multiprocessing import Manager,Process,Lock 2  3  4 def func1(dic,loc): 5     # loc.acquire()  # 不加锁易出错 6     dic['num'] -= 1 7     # loc.release() 8  9 10 if __name__ == '__main__':11     m = Manager()12     loc = Lock()13     dic = m.dict({
    'num':100})14     p_list = []15     for i in range(100):16         p = Process(target=func1, args=(dic,loc))17         p_list.append(p)18         p.start()19 20     [pp.join() for pp in p_list]21 22     print('>>>>>',dic['num'])23 # 共享时不加锁，很可能导致同一个数据被多个子进程取用，数据是不安全的,且超多进程消耗大量资源易导致卡死.

　　多进程共同去处理共享数据的时候，就和我们多进程同时去操作一个文件中的数据是一样的，不加锁就会出现错误的结果，进程不安全的，所以也需要加锁。

 

总结：进程间应该尽量避免通信，即便需要通信，也应该选择进程安全的工具来避免加锁带来的问题。

 

 

3.进程池 Pool

　　创建进程需要消耗时间，销毁进程（空间，变量，文件信息等等的内容）也需要消耗时间。开启成千上万的进程，操作系统无法让他们同时执行，维护一个很大的进程列表的同时，调度的时候，还需要进行切换并且记录每个进程的执行节点，也就是记录上下文（各种变量等等乱七八糟的东西，虽然你看不到，但是操作系统都要做），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，这就需要用到进程池：

　　定义一个池子，在里面放上固定数量的进程，有需求来了，就拿一个池中的进程来处理任务，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，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。

 

创建方法：

Pool([numprocess [,initializer [, initargs]]]):创建进程池

参数介绍：

1 numprocess:要创建的进程数，如果省略，将默认使用cpu_count()的值2 initializer：是每个工作进程启动时要执行的可调用对象，默认为None3 initargs：是要传给initializer的参数组

常用方法：

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()之后调用主要方法介绍

 

1 import time 2 from multiprocessing import Process,Pool 3  4  5 def func1(i): 6     num = 0 7     for j in range(5): 8         num += i 9 10 11 if __name__ == '__main__':12     pool = Pool(6)  # 创建进程池13 14     p_list = []15     start_time = time.time()16     for i in range(500):17         p = Process(target=func1,args=(i,))18         p_list.append(p)19         p.start()20 21     [pp.join() for pp in p_list]22     end_time = time.time()23     print('耗时：',end_time-start_time)24 25     s_time = time.time()26     pool.map(func1,range(500))  # map27     e_time = time.time()28     print('耗时：',e_time - s_time)  # 耗时远远小于直接开500进程

 

apply同步方法：

1 from multiprocessing import Process,Pool 2 import time 3  4  5 def func1(i): 6     num = 0 7     for j in range(3): 8         num += i 9     time.sleep(1)10     print(num)11     return num12 13 14 if __name__ == '__main__':15     pool = Pool(6)16 17     for i in range(10):18         res = pool.apply(func1,args=(i,))  # apply 进程同步/串行方法 效率低，不常用19         # print(res)

 

apply_async异步方法：

1 from multiprocessing import Process,Pool 2 import time 3  4  5 def func1(i): 6     num = 0 7     for j in range(5): 8         num += i 9     time.sleep(1)10     # print('>>>>>',num)11     return num12 13 14 if __name__ == '__main__':15     pool = Pool(6)16 17     red_list = []18     for i in range(10):19         res = pool.apply_async(func1,args=(i,))20         red_list.append(res)21 22     pool.close()  # 不是关闭，只是锁定进程池，告诉主进程不会再添加数据进去23     pool.join()  # 等待子程序执行完24 25     for ress in red_list:26         print(ress.get())  # get方法取出返回值num 按添加顺序取出已保存在缓存区的结果 所以是顺序打印出的

 

回调函数：运用时注意一点，回调函数的形参执行有一个，如果你的执行函数有多个返回值，那么也可以被回调函数的这一个形参接收，接收的是一个元祖，包含着你执行函数的所有返回值。

1 from multiprocessing import Pool,Process 2 import time,os 3  4  5 def func1(n): 6     # print('子进程的pid：',os.getpid()) 7     return n*n 8  9 10 def func2(i):11     res = i**212     # print('callback的pid：',os.getpid())13     print(res)14     return res15 16 17 if __name__ == '__main__':18     pool = Pool(4)19     pool.apply_async(func1,args=(3,),callback=func2)  # callback把前面的返回值作参数传给后面20     # print('主进程的pid：',os.getpid())  # 主进程执行了callback21     pool.close()22     pool.join()

 

 

4.总结

　　进程之间的通信：队列、管道、数据共享也算

　　信号量和事件也相当于锁，也是全局的，所有进程都能拿到这些锁的状态，进程之间这些锁啊信号量啊事件啊等等的通信，其实底层还是socekt，只不过是基于文件的socket通信，而不是跟上面的数据共享啊空间共享啊之类的机制，我们之前学的是基于网络的socket通信，socket的两个家族，一个文件的一个网络的，所以如果说这些锁之类的报错，可能你看到的就是类似于socket的错误。工作中常用的是锁，信号量和事件不常用，但是信号量和事件面试的时候会问到(做了解)