【Python】Python进程池multiprocessing.Pool八个函数对比：apply、apply_async、map、map_async、imap、starmap...
1、apply 和 apply_async 一次执行一个任务，但 apply_async 可以异步执行，因而也可以实现并发。
2、map 和 map_async 与 apply 和 apply_async 的区别是可以并发执行任务。
3、starmap 和 starmap_async 与 map 和 map_async 的区别是，starmap 和 starmap_async 可以传入多个参数。
4、imap 和 imap_unordered 与 map_async 同样是异步，区别是:
map_async生成子进程时使用的是list，而imap和 imap_unordered则是Iterable，map_async效率略高，而imap和 imap_unordered内存消耗显著的小。
在处理结果上，imap 和 imap_unordered 可以尽快返回一个Iterable的结果，而map_async则需要等待全部Task执行完毕，返回list。
而imap 和 imap_unordered 的区别是：imap 和 map_async一样，都按顺序等待Task的执行结果，而imap_unordered则不必。 imap_unordered返回的Iterable，会优先迭代到先执行完成的Task。 不理解的看最下面的一组例子。
你可以自己去写一些小demo跑一下，观察一下它们之间运行方式的一些区别。下面是我跑的一些demo：
一、单次执行apply 和 apply_async
1、单次同步执行apply
一个任务执行完再进行下一个任务
import multiprocessing
import time
def func(msg):
print("msg:", msg)
time.sleep(2)
print("end")
if __name__ == "__main__":
pool = multiprocessing.Pool()
for i in range(2):
msg = "hello %d" %(i)
pool.apply(func, (msg, ))
print("Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~")
pool.close()
pool.join()
print("Sub-process(es) done.")
# 输出：
msg: hello 0
end
msg: hello 1
end
Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~
Sub-process(es) done.2、单次异步执行apply_async
单次启动一个任务，但是异步执行，启动后不等这个进程结束又开始执行新任务
import multiprocessing
import time
def func(msg):
print("msg:", msg)
time.sleep(1)
print("end")
if __name__ == "__main__":
pool = multiprocessing.Pool(processes = 2)
for i in range(2):
msg = "hello %d" %(i)
pool.apply_async(func, (msg, )) #维持执行的进程总数为processes，当一个进程执行完毕后会添加新的进程进去
print("Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~")
pool.close()
pool.join() #调用join之前，先调用close函数，否则会出错。执行完close后不会有新的进程加入到pool,join函数等待所有子进程结束
print("Sub-process(es) done.")
# 输出
Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~
msg: hello 0
msg: hello 1
end
end
Sub-process(es) done.
二、多任务执行map 和 map_async
1、阻塞到任务列表中所有任务完成再往下执行 map
import multiprocessing
import time
def func(msg):
print("msg:", msg)
time.sleep(2)
print("end")
if __name__ == "__main__":
pool = multiprocessing.Pool(2)
pool.map(func, range(2))
print("Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~")
pool.close()
pool.join()
print("Sub-process(es) done.")
# 输出(注意Mark~位置)：
msg: 0
msg: 1
end
end
Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~
Sub-process(es) done.2、异步，任务执行时不阻塞 map_async
import multiprocessing
import time
def func(msg):
print("msg:", msg)
time.sleep(2)
print("end")
if __name__ == "__main__":
pool = multiprocessing.Pool(2)
pool.map_async(func, range(2))
print("Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~")
pool.close()
pool.join()
print("Sub-process(es) done.")
# 输出：
Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~
msg: 0
msg: 1
end
end
Sub-process(es) done.
三、传入多个参数starmap 和 starmap_async
与二中 map 和 map_async 的区别是，这两个函数可以传入多个参数
1、阻塞starmap
import multiprocessing
import time
def func(msg1, msg2):
print("msg1:", msg1, "msg2:", msg2)
time.sleep(2)
print("end")
if __name__ == "__main__":
pool = multiprocessing.Pool(2)
msgs = [(1,1),(2,2)]
pool.starmap(func, msgs)
print("Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~")
pool.close()
pool.join()
print("Sub-process(es) done.")
# 输出
msg1: 1 msg2: 1
msg1: 2 msg2: 2
end
end
Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~
Sub-process(es) done.2、异步starmap_async
import multiprocessing
import time
def func(msg1, msg2):
print("msg1:", msg1, "msg2:", msg2)
time.sleep(2)
print("end")
if __name__ == "__main__":
pool = multiprocessing.Pool(2)
msgs = [(1, 1), (2, 2)]
pool.starmap_async(func, msgs)
print("Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~")
pool.close()
pool.join()
print("Sub-process(es) done.")
# 输出：
Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~
msg1: 1 msg2: 1
msg1: 2 msg2: 2
end
end
Sub-process(es) done.
四、获取进程池中的结果——map_async与imap和imap_unordered的区别
注意：在获取进程池中的结果时，map_async、imap、imap_unordered三个方法都会阻塞。
map_async 与 imap、imap_unordered区别是：map_async需要等待所有Task执行结束后返回list，而imap 和 imap_unordered 可以尽快返回一个Iterable的结果。
imap 和 imap_unordered 的区别是：imap 和 map_async一样，都按顺序等待Task的执行结果，而imap_unordered则不必。 imap_unordered返回的Iterable，会优先迭代到先执行完成的Task。
1、list、有序——map_async
import multiprocessing
import time
def func(msg):
print("msg:", msg)
time.sleep(4-msg)
return msg
if __name__ == "__main__":
pool = multiprocessing.Pool(3)
results = pool.map_async(func, range(3))
for res in results.get():
print(res)
print("Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~")
pool.close()
pool.join()
print("Sub-process(es) done.")
# 输出
msg: 0
msg: 1
msg: 2
0
1
2
Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~
Sub-process(es) done.2、iterate、有序——imap
import multiprocessing
import time
def func(msg):
print("msg: ", msg)
time.sleep(4-msg)
return msg
if __name__ == "__main__":
pool = multiprocessing.Pool(3)
results = pool.imap(func, range(3))
for res in results:
print("res: ",res)
print("Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~")
pool.close()
pool.join()
print("Sub-process(es) done.")
# 输出
msg: 0
msg: 1
msg: 2
res: 0
res: 1
res: 2
Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~
Sub-process(es) done.3、iterate、无序——imap_unordered
import multiprocessing
import time
def func(msg):
print("msg: ", msg)
time.sleep(4-msg)
return msg
if __name__ == "__main__":
pool = multiprocessing.Pool(3)
results = pool.imap_unordered(func, range(3))
for res in results:
print("res: ", res)
print("Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~")
pool.close()
pool.join()
print("Sub-process(es) done.")
# 输出
msg: 0
msg: 1
msg: 2
res: 2
res: 1
res: 0
Mark~ Mark~ Mark~~~~~~~~~~~~~~~~~~~~~~
Sub-process(es) done.参考:
1、https://note.qidong.name/2018/11/python-multiprocessing/
2、https://miraachan.github.io/2018/11/20/20/