Python 多线程和多进程用法

---

1. Python 多进程

1.1 常见用法

multiprocessing 是 Python 标准库中的一个模块，用于在多核或多处理器环境中并行执行任务。它提供了一种便捷的方法来创建和管理多个进程，以实现并行计算。multiprocessing 模块的功能包括创建进程、进程间通信、进程同步、进程池、共享数据结构等。

下面是一些 multiprocessing 模块的常用功能和用法介绍：

1. 创建进程

你可以使用 multiprocessing.Process 类创建新的进程。目标函数可以接受参数并在进程中执行。

import multiprocessing

def worker_function(name):
    print(f"Hello from process {name}")

if __name__ == '__main__':
    # 创建进程
    process1 = multiprocessing.Process(target=worker_function, args=("Process 1",))
    process2 = multiprocessing.Process(target=worker_function, args=("Process 2",))

    # 启动进程
    process1.start()
    process2.start()

    # 等待进程完成
    process1.join()
    process2.join()

2. 进程池

multiprocessing.Pool 类提供了一种方式，可以在进程池中并行执行任务。

import multiprocessing

def square(x):
    return x * x

if __name__ == '__main__':
    # 创建进程池
    with multiprocessing.Pool(processes=4) as pool:
        # 并行执行任务
        results = pool.map(square, range(10))
        print(results)

3. 进程间通信

multiprocessing 提供了管道 (Pipe) 和队列 (Queue) 来实现进程间的通信。

示例代码：

import multiprocessing

def producer(pipe):
    # 通过管道发送数据
    pipe.send("Hello from producer")

def consumer(pipe):
    # 从管道接收数据
    message = pipe.recv()
    print(message)

if __name__ == '__main__':
    # 创建管道
    parent_pipe, child_pipe = multiprocessing.Pipe()
    
    # 创建进程
    p1 = multiprocessing.Process(target=producer, args=(child_pipe,))
    p2 = multiprocessing.Process(target=consumer, args=(parent_pipe,))
    
    # 启动进程
    p1.start()
    p2.start()
    
    # 等待进程完成
    p1.join()
    p2.join()

4. 进程同步

multiprocessing 提供了锁 (Lock)、条件变量 (Condition) 和信号量 (Semaphore) 等同步原语，以便在进程间进行同步。

示例代码：

import multiprocessing

def worker(lock, num):
    with lock:
        # 锁定后执行的操作
        print(f"Locked by process {num}")

if __name__ == '__main__':
    # 创建锁
    lock = multiprocessing.Lock()

    # 创建进程
    processes = []
    for i in range(3):
        process = multiprocessing.Process(target=worker, args=(lock, i))
        processes.append(process)

    # 启动进程
    for process in processes:
        process.start()

    # 等待所有进程完成
    for process in processes:
        process.join()

1.2 结合进度条显示

（1）列表作为参数

def square(x):
    return x * x

import multiprocessing
from tqdm import tqdm

iters = [1, 2, 3, 4]
pool = multiprocessing.Pool(processes = 5)
ret_list = [ret for ret in tqdm(pool.imap(func=square, iterable=iters), total=len(iters))]
pool.close()
pool.join()

（2）字典，需要转换成列表

def square(args):
	x, y = args
    return x * y

import multiprocessing
from tqdm import tqdm

dict_map = {"1": 1, "2": 2, "3": 3}
iters = [(k, v) for k, v in dict_map.items()]
pool = multiprocessing.Pool(processes = 5)
ret_list = [ret for ret in tqdm(pool.imap(func=square, iterable=iters), total=len(iters))]
pool.close()
pool.join()

2. Python 多线程

在 Python 中，多线程是一种并行执行多个任务的方法。threading 模块提供了多线程编程的支持。通过使用多线程，你可以并行执行多个任务，从而提高程序的效率，尤其是在 I/O 密集型任务中（例如网络请求、文件读写等）。多线程适合于 I/O 密集型任务，因为 Python 的全局解释器锁（GIL）会限制 CPU 密集型任务的并行执行。

2.1 常见用法

在 Python 中，threading 模块提供了多线程编程的基础。你可以通过创建 threading.Thread 对象来创建新的线程，并将目标函数和参数传递给线程。在创建和启动线程后，可以通过 join() 方法等待线程完成执行。

下面是一个示例，展示了多线程的基本用法：

import threading
import time

# 定义目标函数
def worker_function(name, sleep_time):
    print(f"Thread {name} starting")
    time.sleep(sleep_time)
    print(f"Thread {name} finishing")

if __name__ == '__main__':
    # 创建线程
    thread1 = threading.Thread(target=worker_function, args=("Thread 1", 2))
    thread2 = threading.Thread(target=worker_function, args=("Thread 2", 3))

    # 启动线程
    thread1.start()
    thread2.start()

    # 等待线程完成
    thread1.join()
    thread2.join()

    print("All threads finished.")

在这个示例中，我们定义了一个目标函数 worker_function，该函数接收线程的名字和睡眠时间作为参数。在 __name__ == '__main__' 中，我们创建两个线程，并将目标函数和参数传递给线程。启动线程后，我们使用 join() 方法等待线程完成。

1. 使用线程池

除了直接创建线程外，你还可以使用 concurrent.futures 模块中的 ThreadPoolExecutor 来创建线程池，并执行任务。线程池可以方便地管理多个线程，并发执行多个任务。

示例代码：

from concurrent.futures import ThreadPoolExecutor
import time

# 定义目标函数
def worker_function(name, sleep_time):
    print(f"Thread {name} starting")
    time.sleep(sleep_time)
    print(f"Thread {name} finishing")
    return f"{name} completed"

if __name__ == '__main__':
    # 创建线程池
    with ThreadPoolExecutor(max_workers=2) as executor:
        # 提交任务到线程池
        future1 = executor.submit(worker_function, "Thread 1", 2)
        future2 = executor.submit(worker_function, "Thread 2", 3)

        # 获取结果
        result1 = future1.result()
        result2 = future2.result()

        print(result1)
        print(result2)

在这个示例中，我们使用 ThreadPoolExecutor 创建一个线程池，并设定最大工作线程数。通过 executor.submit() 方法提交任务到线程池中。然后通过调用 future.result() 来获取任务的结果。

需要注意的是，由于 Python 的全局解释器锁（GIL），多线程在 CPU 密集型任务中的性能受限。因此，多线程更适合 I/O 密集型任务。如果你的任务是 CPU 密集型任务，可以考虑使用 multiprocessing 模块来利用多核 CPU。

2.2 结合进度条显示

def square(x):
    return x * x

arg_list = [1, 2, 3, 4]
with ThreadPoolExecutor(max_workers=20) as executor:
	ret_list = list(tqdm(executor.map(square, arg_list), total=len(arg_list)))