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。

from multiprocessing import Pipe,Process


def func(conn1,conn2):
    msg = conn1.recv()  # 接收了conn2传递的
    # msg1 = conn2.recv()  # 接收了conn1传递的
    print('>>>',msg)
    # print('>>>',msg1)


if __name__ == '__main__':
    # 拿到管道的两端，双工通信方式，两端都可以收发消息
    conn1,conn2 = Pipe()  # 必须在Process之前产生管道
    p = Process(target=func,args=(conn1,conn2,))  # 管道给子进程
    p.start()
    conn1.send('hello')
    conn1.close()
    conn2.send('小子')
    conn2.close()

    print('进程结束')

# 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：

from multiprocessing import Manager,Process,Lock


def func1(dic,loc):
    # loc.acquire()  # 不加锁易出错
    dic['num'] -= 1
    # loc.release()


if __name__ == '__main__':
    m = Manager()
    loc = Lock()
    dic = m.dict({'num':100})
    p_list = []
    for i in range(100):
        p = Process(target=func1, args=(dic,loc))
        p_list.append(p)
        p.start()

    [pp.join() for pp in p_list]

    print('>>>>>',dic['num'])
# 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：

numprocess:要创建的进程数，如果省略，将默认使用cpu_count()的值
initializer：是每个工作进程启动时要执行的可调用对象，默认为None
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

 

import time
from multiprocessing import Process,Pool


def func1(i):
    num = 0
    for j in range(5):
        num += i


if __name__ == '__main__':
    pool = Pool(6)  # 创建进程池

    p_list = []
    start_time = time.time()
    for i in range(500):
        p = Process(target=func1,args=(i,))
        p_list.append(p)
        p.start()

    [pp.join() for pp in p_list]
    end_time = time.time()
    print('耗时：',end_time-start_time)

    s_time = time.time()
    pool.map(func1,range(500))  # map
    e_time = time.time()
    print('耗时：',e_time - s_time)  # 耗时远远小于直接开500进程

 

apply同步方法：

from multiprocessing import Process,Pool
import time


def func1(i):
    num = 0
    for j in range(3):
        num += i
    time.sleep(1)
    print(num)
    return num


if _