python的multiprocessing模块是用来创建多进程的，下面对multiprocessing总结一下使用记录。
multiprocessing创建多进程在windows和linux系统下的对比
fork()
import ospid = os.fork() # 创建一个子进程if pid == 0: print('这是子进程') print(os.getpid(),os.getppid())else: print('这是父进程') print(os.getpid())os.wait() # 等待子进程结束释放资源
-
fork函数被调用后会返回两次，pid为0的代表子进程，其他返回子进程的id号表示父进程。
-
getpid和getppid函数可以获取本进程和父进程的id号；
fork方式的缺点：
-
兼容性差，只能在类linux系统下使用，windows系统不可使用；
-
扩展性差，当需要多条进程的时候，进程管理变得很复杂；
-
会产生“孤儿”进程和“僵尸”进程，需要手动回收资源。
优点：
是系统自带的接近低层的创建方式，运行效率高。
Process创建进程
-
创建方式一：
from multiprocessing import Queue, Processimport osdef test():
time.sleep(2)
print('this is process {}'.format(os.getpid()))if __name__ == '__main__':
p = Process(target=test)
p.start() # 子进程 开始执行
p.join() # 等待子进程结束
print('ths peocess is ended')
-
创建方式二：
from multiprocessing import Queue, Processimport osclass MyProcess(Process):
def run(self):
time.sleep(2)
print('this is process {}'.format(os.getpid())) def __del__(self):
print('del the process {}'.format(os.getpid()))if __name__ == '__main__':
p = MyProcess()
p.start()
print('ths process is ended')# 结果：ths process is ended
this is process 7600del the process 7600del the process 12304
说明：
-
Process对象可以创建进程，但Process对象不是进程，其删除与否与系统资源是否被回收没有直接的关系。
-
上例看到del方法被调用了两次，Process进程创建时，子进程会将主进程的Process对象完全复制一份，这样在主进程和子进程各有一个Process对象，但是p1.start()启动的是子进程，主进程中的Process对象作为一个静态对象存在。
-
主进程执行完毕后会默认等待子进程结束后回收资源，不需要手动回收资源；
-
join()函数用来控制子进程结束的顺序,主进程会阻塞等待子进程结束，其内部也有一个清除僵尸进程的函数，可以回收资源；
-
当子进程执行完毕后，会产生一个僵尸进程，其会被join函数回收，或者再有一条进程开启，start函数也会回收僵尸进程，所以不一定需要写join函数。
-
windows系统在子进程结束后会立即自动清除子进程的Process对象，而linux系统子进程的Process对象如果没有join函数和start函数的话会在主进程结束后统一清除。
Process对象分析
class Process(object):
def __init__(self, group=None, target=None, name=None, args=(), kwargs={}):
pass
# Process对象是python用来创建进程的类
group：扩展保留字段；
target：目标代码，一般是我们需要创建进程执行的目标函数。
name：进程的名字，如果不指定会自动分配一个；
args：目标函数的普通参数；
kwargs：目标函数的键值对参数；
# 方法
start():创建一个子进程并执行，该方法一个Process实例只能执行一次，其会创建一个进程执行该类的run方法。
run():子进程需要执行的代码；
join()：主进程阻塞等待子进程直到子进程结束才继续执行，可以设置等待超时时间timeout.
terminate():使活着的进程终止；
is_alive():判断子进程是否还活着。
进程池Pool
如果需要创建大量的进程，就需要使用Pool了。
from multiprocessing import Queue, Process, Poolimport osdef test():
time.sleep(2)
print('this is process {}'.format(os.getpid()))def get_pool(n=5):
p = Pool(n) # 设置进程池的大小
for i in range(10):
p.apply_async(test)
p.close() # 关闭进程池
p.join()if __name__ == '__main__':
get_pool()
print('ths process is ended')
分析：厦门厦工叉车怎么样？
-
如上，进程池Pool被创建出来后，即使实际需要创建的进程数远远大于进程池的最大上限，p1.apply_async(test)代码依旧会不停的执行，并不会停下等待；相当于向进程池提交了10个请求，会被放到一个队列中；
-
当执行完p1 = Pool(5)这条代码后，5条进程已经被创建出来了，只是还没有为他们各自分配任务，也就是说，无论有多少任务，实际的进程数只有5条，计算机每次最多5条进程并行。
-
当Pool中有进程任务执行完毕后，这条进程资源会被释放，pool会按先进先出的原则取出一个新的请求给空闲的进程继续执行；
-
当Pool所有的进程任务完成后，会产生5个僵尸进程，如果主线程不结束，系统不会自动回收资源，需要调用join函数去回收。
-
join函数是主进程等待子进程结束回收系统资源的，如果没有join，主程序退出后不管子进程有没有结束都会被强制杀死；
-
创建Pool池时，如果不指定进程最大数量，默认创建的进程数为系统的内核数量.
Pool对象分析
class Pool(object): def __init__(self, processes=None, initializer=None, initargs=(), maxtasksperchild=None, context=None): pass # 初始化参数 processes：进程池的大小，默认cpu内核的数量 initializer：创建进程执行的目标函数，其会按照进程池的大小创建相应个数的进程； initargs：目标函数的参数 context：代码的上下文 # 方法 apply():使用阻塞方式调用func; apply_async():使用非阻塞方式条用func； close()：关闭Pool，使其不再接受新的任务； terminate()：不管任务是否完成，立即终止； join()：主进程阻塞，等待子进程的退出，必须在close()后面使用； map(self, func, iterable, chunksize=None)：多进程执行一个函数，传入不同的参数； starmap(self, func, iterable, chunksize=None)：和map类似，但iterable参数可解压缩； starmap_async(self, func, iterable, chunksize=None, callback=None,error_callback=None):使用异步的方式的starmap，callback为返回后的处理函数 map_async(self, func, iterable, chunksize=None, callback=None,error_callback=None):异步方式的map
-
实例
from multiprocessing import Poolimport osdef test(n):
time.sleep(1)
print('this is process {}'.format(os.getpid())) return ndef test1(n, m):
print(n, m)
print('this is process {}'.format(os.getpid()))def back_func(values): # 多进程执行完毕会返回所有的结果的列表
print(values)def back_func_err(values): # 多进程执行完毕会返回所有错误的列表
print(values)def get_pool(n=5):
p = Pool(n) # p.map(test, (i for i in range(10))) # 阻塞式多进程执行
# p.starmap(test1, zip([1,2,3],[3,4,5])) # 阻塞式多进程执行多参数函数
# 异步多进程执行函数
p.map_async(test, (i for i in range(5)), callback=back_func, error_callback=back_func_err) # 异步多进程执行多参数函数
p.starmap_async(test1, zip([1,2,3],[3,4,5]), callback=back_func, error_callback=back_func_err)
print('-----')
p.close()
p.join()if __name__ == '__main__':
get_pool()
print('ths process is ended')
进程锁
进程虽然不像线程那样共享内存的数据，而是每个进程有单独的内存，但多进程也是共享文件系统的，即硬盘系统；当多进程同时写入文件操作时，可能造成数据的破坏，因此进程也存在同步锁。
from multiprocessing import Pool, Lockmuex = Lock()def test(): if muex.acquire():
f = open('./test_pro.txt', 'r+', encoding='utf-8')
x = f.read() if not x:
f.write('0') else:
f.seek(0)
f.write(str(int(x)+1))
f.close()
muex.release()if __name__ == '__main__':
p = Pool(5) for i in range(10):
p.apply_async(test)
p.close()
p.join() with open('./test_pro.txt', 'r+', encoding='utf-8') as f:
print(f.read())
进程锁可以保证文件系统的安全，但是它使得并行变成了串行，效率下降了，也可能造成死锁问题，一般避免用锁机制。