【Python】从入门到上头— 多进程与分布式进程（10）

前言

上一文章【Python】从入门到上头— 多线程（9）已经讲了Python线程和进程的区别 以及Python线程有一个GIL锁任何线程在执行前都需要获得该锁 因此Python多线程不能有效利用多核优势实现多任务

一.多进程

1.fork()系统调用

要让Python程序实现多进程（multiprocessing），我们先了解操作系统的相关知识。

• Unix/Linux操作系统提供了一个fork()系统调用，它非常特殊。普通的函数调用，调用一次，返回一次，但是fork()调用一次，返回两次，因为操作系统自动把当前进程（称为父进程）复制了一份（称为子进程），然后，分别在父进程和子进程内返回。

  • 子进程永远返回0，而父进程返回子进程的ID。这样做的理由是，一个父进程可以fork出很多子进程，所以，父进程要记下每个子进程的ID，而子进程只需要调用getppid()就可以拿到父进程的ID。

2.OS模块

Python的os模块封装了常见的系统调用，其中就包括fork，可以在Python程序中轻松创建子进程：

import os

print('Process (%s) start...' % os.getpid())
# Only works on Unix/Linux/Mac:
pid = os.fork()
if pid == 0:
    print('I am child process (%s) and my parent is %s.' % (os.getpid(), os.getppid()))
else:
    print('I (%s) just created a child process (%s).' % (os.getpid(), pid))

由于Windows没有fork调用，上面的代码在Windows上无法运行。而Mac系统是基于BSD（Unix的一种）内核，所以，在Mac下运行是没有问题的，推荐大家用Mac学Python！

• 有了fork调用，一个进程在接到新任务时就可以复制出一个子进程来处理新任务，常见的Apache服务器就是由父进程监听端口，每当有新的http请求时，就fork出子进程来处理新的http请求。

3.multiprocessing模块

如果你打算编写多进程的服务程序，Unix/Linux无疑是正确的选择。由于Windows没有fork调用，难道在Windows上无法用Python编写多进程的程序？

• 由于Python是跨平台的，自然也应该提供一个跨平台的多进程支持。multiprocessing模块就是跨平台版本的多进程模块。

  • multiprocessing模块提供了一个Process类来代表一个进程对象

如：启动一个子进程并等待其结束：

from multiprocessing import Process
import os

# 子进程要执行的代码
def run_proc(name):
    print('Run child process %s (%s)...' % (name, os.getpid()))

if __name__=='__main__':
    print('Parent process %s.' % os.getpid())
    p = Process(target=run_proc, args=('test',))
    print('Child process will start.')
    p.start()
    p.join()
    print('Child process end.')

• 创建子进程时，只需要创建一个Process实例，传入一个执行函数和函数的参数，用start()方法启动，这样创建进程比fork()还要简单。
  • join()方法可以等待子进程结束后再继续往下运行，通常用于进程间的同步。

4.进程池（multiprocessing Pool模块）

如果要启动大量的子进程，可以用进程池的方式批量创建子进程：

from multiprocessing import Pool
import os, time, random


def long_time_task(name):
    print('Run task %s (%s)...' % (name, os.getpid()))
    start = time.time()
    time.sleep(random.random() * 3)
    end = time.time()
    print('Task %s runs %0.2f seconds.' % (name, (end - start)))


if __name__ == '__main__':
    print('Parent process %s.' % os.getpid())
    #创建长度为4的进程池
    p = Pool(4)
    
    #循环启动进程，传入调用函数和参数
    for i in range(13):
        p.apply_async(long_time_task, args=(i,))
        
    print('Waiting for all subprocesses done...')
    
    #关闭进程池，等待进程池所有子进程执行完毕
    p.close()
    p.join()
    print('All subprocesses done.')

执行结果如下：

代码解读：

对Pool对象调用 join()方法会等待所有子进程执行完毕，调用join()之前必须先调用close()，调用close()之后就不能继续添加新的Process了。

• 请注意输出的结果，task 0，1，2，3 4 5是立刻执行的，而task 6-14要等待前面某个task完成后才执行， 由于Pool的默认大小是CPU的物理核数，我的电脑是6核的，你要提交至少7个以上子进程才能看到上面的等待效果。
  ，因此，创建13个子进程，最多同时执行6个进程。这是Pool有意设计的限制，并不是操作系统的限制。如果改成：

5.子进程（subprocess模块）

很多时候，子进程并不是自身，而是一个外部进程。我们创建了子进程后，还需要控制子进程的输入和输出。

• subprocess模块可以让我们非常方便地启动一个子进程，然后控制其输入和输出。

如： 在Python代码中运行命令（查询域名指定类型的解析记录）nslookup www.python.org，这和命令行直接运行的效果是一样的：

import subprocess

print('$ nslookup www.baidu.com')
r = subprocess.call(['nslookup', 'www.baidu.com'])
print('Exit code:', r)

代码执行

命令行执行

如果子进程还需要输入，则可以通过communicate()方法输入：

import subprocess

print('$ nslookup')
p = subprocess.Popen(['nslookup'], stdin=subprocess.PIPE, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
output, err = p.communicate(b'set q=mx\nbaidu.com\nexit\n')
print(output.decode('gbk'))
print('Exit code:', p.returncode)

上面的代码相当于在命令行执行命令nslookup，然后手动输入：

set q=mx
baidu.com
exit

代码执行

命令行执行

6.进程间通信

Process之间肯定是需要通信的，操作系统提供了很多机制来实现进程间的通信。Python的multiprocessing模块包装了底层的机制，提供了Queue、Pipes等多种方式来交换数据。

• 以Queue为例，在父进程中创建两个子进程，一个往Queue里写数据，一个从Queue里读数据：

from multiprocessing import Process, Queue
import os, time, random


# 写数据进程执行的代码:
def write(q):
    print('Process to write: %s' % os.getpid())
    #循环写入队尾
    for value in ['1', '2', '3', '4', '5']:
        print('Put %s to queue...' % value)
        q.put(value)
        time.sleep(random.random())


# 读数据进程执行的代码:
def read(q):
    print('Process to read: %s' % os.getpid())
    #循环读取队列队头数据
    while True:
        value = q.get(True)
        print('Get %s from queue.' % value)


if __name__ == '__main__':
    # 父进程创建Queue，并传给各个子进程：
    q = Queue()
    #写进程
    pw = Process(target=write, args=(q,))
    #读进程
    pr = Process(target=read, args=(q,))

    # 启动子进程pw，写入:
    pw.start()
    # 启动子进程pr，读取:
    pr.start()

    # 等待pw结束:
    pw.join()
    # pr进程里是死循环，无法等待其结束，只能强行终止:
    pr.terminate()

7.小结

7.1.学习小结

• 在Unix/Linux下，可以使用fork()调用实现多进程。

• 要实现跨平台的多进程，可以使用multiprocessing模块。

  • 在Unix/Linux下，multiprocessing模块封装了fork()系统调用，使我们不需要关注fork()的细节
    • 由于Windows没有fork调用，因此，multiprocessing需要“模拟”出fork()的效果，父进程所有Python对象都必须通过pickle序列化再传到子进程去，所以，如果multiprocessing在Windows下调用失败了，要先考虑是不是pickle失败了。

• 进程间通信是通过Queue、Pipes等实现的

7.2.Python分布式进程报错：pickle模块不能序列化lambda函数

原因：

原来是windows操作系统问题造成的，因此稍需要我们自己定义函数，实现序列化。

• 对代码稍加修改，定义两个函数return_task_queue和return_result_queue实现序列化

# task_master.py

import random, time, queue
from multiprocessing.managers import BaseManager

# 发送任务的队列:
task_queue = queue.Queue()
# 接收结果的队列:
result_queue = queue.Queue()


#windows要我们自己定义函数，实现序列化,然后注册到 QueueManager.register，Unix/Linux不需要
def return_task_queue():
    global task_queue
    return task_queue

def return_result_queue():
    global result_queue
    return result_queue

# 从BaseManager继承的QueueManager:
class QueueManager(BaseManager):
    pass

if __name__ == '__main__':
    # 把两个Queue都注册到网络上，callable参数关联了Queue对象
    QueueManager.register('get_task_queue', callable=return_task_queue)
    QueueManager.register('get_result_queue', callable=return_result_queue)

    # 绑定端口5000，设置验证码abc
    manager = QueueManager(address=('127.0.0.1', 5000), authkey=b'abc')

    # 启动queue
    manager.start()

    # 获得通过网络访问的Queue对象
    task = manager.get_task_queue()
    result = manager.get_result_queue()

    # 放几个任务
    for i in range(10):
        n = random.randint(0, 1000)
        print('添加任务 %d' % n)
        task.put(n)

    # 从result队列读取结果
    print('尝试获取结果')
    for i in range(10):
        r = result.get(timeout=10)
        print('结果是：%s' % r)

    # 关闭
    manager.shutdown()
    print('master exit')

二.分布式进程

1.Python的分布式进程是什么

Python在线程和进程汇总中，应当优选Process，因为Process更稳定，而且，Process可以分布到多台机器上，而线程最多只能分布到同一台机器的多个CPU上。

• Python的multiprocessing模块不但支持多进程，其中**managers子模块**还支持把多进程分布到多台机器上。**一个服务进程可以作为调度者，将任务分布到其他多个进程中，依靠网络通信。
  • • **由于managers模块封装很好，不必了解网络通信的细节，就可以很容易地编写分布式多进程程序。

举个例子：如果我们已经有一个通过Queue通信的多进程程序在同一台机器上运行，现在，由于处理任务的进程任务繁重，希望把发送任务的进程和处理任务的进程分布到2台机器上。怎么用分布式进程实现？

• 原有的Queue可以继续使用，但是，通过managers模块把Queue通过网络暴露出去，就可以让其他机器的进程访问Queue了。

2.如何实现分布式进程

编写服务进程

• 服务进程负责启动Queue，把Queue注册到网络上，然后往Queue里面写入任务：

  # task_master.py
  import random, time, queue
  from multiprocessing.managers import BaseManager
  
  # 发送任务的队列:
  task_queue = queue.Queue()
  # 接收结果的队列:
  result_queue = queue.Queue()
  
  
  # windows要我们自己定义函数，实现序列化,然后注册到 QueueManager.register，Unix/Linux不需要
  def return_task_queue():
      global task_queue
      return task_queue
  
  
  def return_result_queue():
      global result_queue
      return result_queue
  
  
  # 从BaseManager继承的QueueManager:
  class QueueManager(BaseManager):
      pass
  
  
  if __name__ == '__main__':
      # 把两个Queue都注册到网络上, callable参数关联了Queue对象:
      QueueManager.register('get_task_queue', callable=return_task_queue)
      QueueManager.register('get_result_queue', callable=return_result_queue)
      
      # 绑定端口5000, 设置验证码'abc':
      manager = QueueManager(address=('127.0.0.1', 5000), authkey=b'abc')
      
      # 启动Queue:
      manager.start()
      
      # 获得通过网络访问的Queue对象:
      task = manager.get_task_queue()
      result = manager.get_result_queue()
      
      # 放几个任务进去:
      for i in range(10):
          n = random.randint(0, 10000)
          print('Put task %d...' % n)
          task.put(n)
          
      # 从result队列读取结果:
      print('Try get results...')
      for i in range(10):
          r = result.get(timeout=10)
          print('Result: %s' % r)
          
      # 关闭:
      manager.shutdown()
      print('master exit.')
  

重要！！！！！

• 当我们在一台机器上写多进程程序时，创建的Queue可以直接拿来用
  • 但是，在分布式多进程环境下，添加任务到Queue不可以直接对原始的task_queue进行操作，那样就绕过了QueueManager的封装，必须通过manager.get_task_queue()获得的Queue接口添加。

编写任务进程

• 在另一台机器上启动任务进程（本机上启动也可以）：

# task_worker.py

import time, sys, queue
from multiprocessing.managers import BaseManager


# 创建类似的QueueManager:
class QueueManager(BaseManager):
    pass


if __name__ == '__main__':
    # 由于这个QueueManager只从网络上获取Queue，所以注册时只提供名字:
    QueueManager.register('get_task_queue')
    QueueManager.register('get_result_queue')

    # 连接到服务器，也就是运行task_master.py的机器:
    server_addr = '127.0.0.1'
    print('Connect to server %s...' % server_addr)

    # 端口和验证码注意保持与task_master.py设置的完全一致:
    m = QueueManager(address=(server_addr, 5000), authkey=b'abc')
    # 从网络连接:
    m.connect()

    # 获取Queue的对象:
    task = m.get_task_queue()
    result = m.get_result_queue()

    # 从task队列取任务,并把结果写入result队列:
    for i in range(10):
        try:
            n = task.get(timeout=1)
            print('run task %d * %d...' % (n, n))
            r = '%d * %d = %d' % (n, n, n * n)
            time.sleep(1)
            result.put(r)
        except queue.Empty:
            print('task queue is empty.')

    # 处理结束:
    print('worker exit.')

• 任务进程要通过网络连接到服务进程，所以要指定服务进程的IP。

先启动服务进程开始执行

Put task 0...
Put task 1...
Put task 2...
Put task 3...
Put task 4...
Put task 5...
Put task 6...
Put task 7...
Put task 8...
Put task 9...
Try get results...#等待任务线程写入队列

• task_master.py进程发送完任务后，开始等待result队列的结果。

现在启动task_worker.py进程：

Connect to server 127.0.0.1...
run task 0 * 0...
run task 1 * 1...
run task 2 * 2...
run task 3 * 3...
run task 4 * 4...
run task 5 * 5...
run task 6 * 6...
run task 7 * 7...
run task 8 * 8...
run task 9 * 9...
worker exit.

• task_worker.py进程结束，在task_master.py进程中会继续打印出结果：

• 这个简单的Master/Worker模型有什么用？
  • 其实这就是一个简单但真正的分布式计算，把代码稍加改造，启动多个worker，就可以把任务分布到几台甚至几十台机器上，比如把计算n*n的代码换成发送邮件，就实现了邮件队列的异步发送。

Queue对象存储在哪？

• 注意到task_worker.py中根本没有创建Queue的代码，所以，Queue对象存储在task_master.py进程中：

• 而Queue之所以能通过网络访问，就是通过QueueManager实现的。由于QueueManage管理的不止一个Queue，所以，要给每个Queue的网络调用接口起个名字，比如get_task_queue。

authkey有什么用？

• 保证两台机器正常通信，不被其他机器恶意干扰。如果task_worker.py的authkey和task_master.py的authkey不一致，肯定连接不上。

3.小结

• Python的分布式进程接口简单，封装良好，·适合需要把繁重任务分布到多台机器的环境下。·

• 注意Queue的作用是用来传递任务和接收结果，每个任务的描述数据量要尽量小。比如发送一个处理日志文件的任务，就不要发送几百兆的日志文件本身，而是发送日志文件存放的完整路径，由Worker进程再去共享的磁盘上读取文件。