应用场景：本人需要对200万条网页html格式数据进行清洗，提取文字后将分词结果写入数据库，之前做了一次，大概花费了80多个小时才跑完。机器配置是4核，内存8G；开完会领导让再改点东西重新跑一遍，然后说用多进程或者多线程跑，速度快。
本人接触python不到两个月，以前也基本不怎么编程，所以这种优化什么的东西都不懂，只好求助同事。同事告诉我直接看廖雪峰的教程就ok了。先看了一下廖雪峰写的单个进程代码，比较容易懂，但是我需要开四个进程，把我的cpu都占满来跑，这样效率才最大。
所以又看了多进程的例子，并自己实践了一下：
from multiprocessing import Process import os from multiprocessing import Pool def run_proc(i): a=i*3 print(a) if __name__=='__main__': p = Pool(4) for i in range(5): p.apply_async(run_proc, args=(i,)) p.close() p.join()
看一下上面代码，Pool代表的是一个进程池，里面写几就代表你想跑几个进程，但是你的cpu是几核你就只能开几个进程，而且进程数最好是2的整数倍（同事告诉我的）。查看cpu核数的方法就是打开任务管理器，然后性能里面有几个小窗口就代表几核。
我的是四个小窗口，代表四核。按照上面的例子我用四个核来计算run_proc这个函数，然后每个核计算的是一个i值对应的run_proc函数。
接下来到我的实际场景中，我是想从数据库中读取200万条数据并对所有数据进行一系列操作后再写如数据库，这里我采用四核全跑，每个核分配50万数据来进行：
start = datetime.datetime.now() p = Pool(4) # 建立进程池 get_data_cmd=['SELECT * FROM 标讯样本_二百万 limit 0,500000', 'SELECT * FROM 标讯样本_二百万 limit 500000,500000', 'SELECT * FROM 标讯样本_二百万 limit 1000000,500000', 'SELECT * FROM 标讯样本_二百万 limit 1500000,500000' ] for cmd in get_data_cmd: # 将每个命令传入不同的子进程执行相同的代码 p.apply_async(con_seg_word, args=(cmd,)) p.close() p.join()
我的方法比较笨，就是将四个不同的sql命令放在一个列表中，然后循环读取列表中的语句来分配给每个核要跑的函数，这样就ok了，时间大约比之前少了4倍吧。
apply_async这个方法就是你要将你的这四个sql命令给哪个函数，其中arg就是要传递进函数的参数。
PS：这个多进程的方法其实有很多隐藏的问题在里面的，例如针对limit这个问题，后面会越来越慢，因为limit相当于全表进行过滤，因此不推荐此种方式；
另外在innodb这种引擎数据库中，当limit几千万数据后面的数据时候会报错，(the totle number of locks exceeds the lock table size),这是因为InnoDB表执行大批量数据的更新，插入，删除操作时会出现这个问题，需要调整InnoDB全局的innodb_buffer_pool_size的值来解决这个问题，并且重启mysql服务。
这里还需要进一步来探索多进程的内部机制从而来写一个更好的多进程栗子。