python——进程基础

　　我们现在都知道python的多线程是个坑了，那么多进程在这个时候就变得很必要了。多进程实现了多CPU的利用，效率简直棒棒哒~~~

拥有一个多进程程序：

　　

#!/usr/bin/env python
#-*-coding:utf-8-*-
__author__ = 'Eva_J'
import multiprocessing
import time

def func(msg):
    for i in range(3):
        print msg
        time.sleep(1)

if __name__ == "__main__":
    p = multiprocessing.Process(target=func, args=("hello", ))
    p.start()
    p.join()
    print "have done."

　　按照上面的方法，我们就在自己的代码中启动了一个子进程，需要注意的是要想启动一个子进程，必须加上那句if __name__ == "main"，否则就会报错。 查看了官方文档说：Safe importing of main module，Make sure that the main module can be safely imported by a new Python interpreter without causing unintended side effects (such a starting a new process).大概就是说，如果我们必须确定当前已经引入了主模块，来避免一些非预期的副作用。。。总之，加上！就对了！！！
进程池：

　　

#!/usr/bin/env python
#-*-coding:utf-8-*-
__author__ = 'Eva_J'
def func(msg):
    print msg,'*** in func'
    time.sleep(3)

if __name__ == "__main__":
    #
    pool = multiprocessing.Pool(processes=5)
    for i in xrange(3):
        print i
        pool.apply_async(func, ("hello %d" %(i), ))
        #pool.apply(func, ("hello %d" %(i), ))
    pool.close()
    #pool.terminate() #结束工作进程，不在处理未完成的任务
    pool.join() #主进程阻塞，等待子进程的退出， join方法要在close或terminate之后使用
    print "have done."

　　上图中的方法就是进程池的使用，这里重点的介绍一些进程池相关的方法。

　　首先，我们为进程注入func，有两种方式：apply_async表示异步，就是子进程接收到请求之后就各自去执行了，而apply表示同步，子进程们将一个一个的执行，后一个子进程的执行永远以前一个子进程的结束为信号，开始执行。还是吃饭的例子。。。异步就是当我通知子进程要去吃饭的时候，他们就同时去吃饭了，同步就是他们必须一个一个的去，前一个没回来，后一个就不能去。

　　close方法：说关闭进程池，至此，进程池中不在有进程可以接受任务。

　　terminate和join是一对方法，表示的内容截然相反，执行terminate是结束当前进程池中的所有进程，不管值没执行完。join方法是阻塞主进程，等待子进程执行完毕，再继续执行主进程。需要注意的是：这两个方法都必须在close方法之后执行。当然我们也可以不执行这两个方法，那么子进程和主进程就各自执行各自的，无论执行到哪里，子进程会随着主进程的结束而结束。。。

获取进程池中进程的执行结果：

　　

#!/usr/bin/env python
#-*-coding:utf-8-*-
__author__ = 'Eva_J'
import multiprocessing
import time

def func(msg):
    print "msg : ", msg
    time.sleep(3)
    print "end"
    return "multi_result : " + msg

if __name__ == "__main__":
    pool = multiprocessing.Pool(processes=4)
    result = []
    for i in xrange(3):
        msg = "hello %d" %(i)
        multi_result = pool.apply_async(func, (msg, ))
        result.append(multi_result)
    pool.close()
    pool.join()
    for res in result:
        print res.get()
    print "have done."

　　没啥好说的，区别在黄框框里，自取不谢~~~

进程之间的内存共享：

　　我们之前说过，正常情况下，每个进程都拥有自己的内存空间，因此进程间的内存是无法共享的。

 　 但是python却提供了我们方法，让我们程序的子进程之间实现简单的数据共享。

　　一个是Array数组，一个是multiprocessing模块中的Manager类。需要注意的是，Array数组的大小必须固定，Manager需要在linux系统下运行。代码在下面啦！！

#!/usr/bin/env python
#-*-coding:utf-8-*-
__author__ = 'Eva_J'
#方法一，Array
from multiprocessing import Process,Array
temp = Array('i', [11,22,33,44])

def Foo(i):
    temp[i] = 100+i
    for item in temp:
        print i,'----->',item

for i in range(2):
    p = Process(target=Foo,args=(i,))
    p.start()  

#!/usr/bin/env python
#-*-coding:utf-8-*-
__author__ = 'Eva_J'
#方法二：manage.dict()共享数据
from multiprocessing import Process,Manager

manage = Manager()

dic = manage.dict()

def Foo(i):
    dic[i] = 100+i
    print dic.values()

if __name__ == "__main__":
    for i in range(2):
        p = Process(target=Foo,args=(i,))
        p.start()
        p.join()

参考文献：

　　　　python进程池：http://www.cnblogs.com/kaituorensheng/p/4465768.html

　　　　python多进程的使用示例：http://outofmemory.cn/code-snippet/2267/Python-duojincheng-multiprocessing-usage-example

　　　   python的线程、进程和协程：http://www.cnblogs.com/wupeiqi/articles/5040827.html　　

　　　　python的内存共享：http://www.cnblogs.com/dkblog/archive/2011/03/14/1983250.html

　　　　python的多进程编程：http://www.cnblogs.com/kaituorensheng/p/4445418.html