Python进程池

本文介绍了Python的进程池概念,包括进程池的定义、原理图解、使用优点以及Pool中的函数说明。进程池可以提高效率,节省内存,通过apply_async和apply_sync实现同步和异步执行。注意,进程池大小限制了同时执行的进程数量,且子进程执行顺序由操作系统决定。
部署运行你感兴趣的模型镜像

一、进程池

1、进程池定义:

进程池:可以提供指定数量的进程给用户使用,即当有新的请求提交到进程池中时,如果池未满,则会创建一个新的进程用来执行该请求;反之,如果池中的进程数已经达到规定最大值,那么该请求就会等待,只要池中有进程空闲下来,该请求就能得到执行。

2、原理图

绿色:子进程没有工作,处于空闲状态(子进程没有调用任务函数)

粉色:子进程处于工作状态(子进程调用了任务函数)

watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA4oSzQ2hpenVydeG0tuG1g8q4,size_20,color_FFFFFF,t_70,g_se,x_16

 

watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA4oSzQ2hpenVydeG0tuG1g8q4,size_20,color_FFFFFF,t_70,g_se,x_16

 3、使用进程池的优点

1.提高效率,节省开辟进程和开辟内存空间的时间及销毁进程的时间

2.节省内存空间

4、Pool中的函数说明:

watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA4oSzQ2hpenVydeG0tuG1g8q4,size_19,color_FFFFFF,t_70,g_se,x_16

watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA4oSzQ2hpenVydeG0tuG1g8q4,size_20,color_FFFFFF,t_70,g_se,x_16

Pool(4):创建多个进程,表示可以同时执行的进程数量为4个。默认大小是CPU的核心数果。

join():进程池对象调用join,会等待进程池中所有的子进程结束完毕再去结束父进程。

close():如果我们用的是进程池,在调用join()之前必须要先调用close(),并且在close()之后不能再继续往进程池请求

5、同步执行和异步执行

pool.apply_async(func,args,kwds):异步执行;将事件放入到进程池队列。args以元组的方式传参,kwds以字典的方式传参。

pool.apply_sync(func,args,kwds):同步执行;将事件放入到进程池队列。

同步,就是调用某个东西时,调用方得等待这个调用返回结果才能继续往后执行。

异步,和同步相反调用方不会等待得到结果,而是在调用发出后调用者可用继续执行后续操作,被调用者通过状体来通知调用者,或者通过回掉函数来处理这个调用

注意:

因为我们Pool(4)指定了同时最多只能执行4个进程(Pool进程池默认大小是CPu的核心数),但是我们多放入了6个进程进入我们的进程池,所以程序一开始就会只开启4个进程。

而且子进程执行是没有顺序的,先执行哪个子进程操作系统说了算的。而且进程的创建和销毁也是非常消耗资源的,所以如果进行一些本来就不需要多少耗时的任务你会发现多进程甚至比单进程还要慢

 

 

您可能感兴趣的与本文相关的镜像

Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言,以其简洁易读的语法而闻名,适用于广泛的应用,包括Web开发、数据分析、人工智能和自动化脚本

### Python 进程池 (Pool) 的使用教程 #### 什么是进程池? `multiprocessing.Pool` 是 Python 中用于管理多个进程的一个工具。它可以自动分配任务给不同的进程,并收集其返回的结果。这种方式非常适合处理大量独立的任务,能够充分利用多核 CPU 资源[^1]。 --- #### `multiprocessing.Pool` 的基本用法 以下是创建和使用进程池的一般流程: 1. **导入必要的库** 需要引入 `multiprocessing` 库。 2. **定义目标函数** 定义一个函数作为目标任务,该函数将在各个进程中运行。 3. **初始化进程池** 使用 `multiprocessing.Pool()` 初始化一个进程池对象,可以通过参数指定并发的进程数。 4. **提交任务** 可以通过 `.apply_async()` 方法异步提交任务,或者使用 `.map()` 方法批量分发任务。 5. **关闭并等待完成** 使用 `.close()` 关闭进程池,不再接受新的任务;使用 `.join()` 等待所有任务完成后退出。 --- #### 示例代码:使用 `multiprocessing.Pool` 下面是一个简单的示例,展示如何使用 `multiprocessing.Pool` 来并行化任务执行。 ```python import time from multiprocessing import Pool def worker(number): """模拟耗时任务""" print(f"Worker {number} started") time.sleep(2) print(f"Worker {number} finished") return number * number if __name__ == '__main__': with Pool(processes=3) as pool: # 创建包含 3 个进程的池 inputs = list(range(5)) results = pool.map(worker, inputs) # 将输入列表映射到 worker 函数 print("Results:", results) ``` 上述代码中: - `worker` 函数被传递给进程池中的不同进程分别执行。 - `pool.map()` 自动将输入数据分布到各进程中,并最终收集结果。 --- #### 常见问题及其解决方法 ##### 1. 主程序入口未保护 (`if __name__ == '__main__'`) 如果在 Windows 平台上直接调用多进程代码而没有加上 `if __name__ == '__main__'` 判断,则会引发无限递归错误。这是因为每次启动新进程都会重新加载整个脚本文件[^3]。 解决方案:始终确保主程序逻辑位于 `if __name__ == '__main__':` 下面。 --- ##### 2. 数据共享与同步问题 由于每个进程都有自己的内存空间,在某些情况下可能需要跨进程共享状态或变量。然而,默认情况下无法直接访问其他进程的数据[^4]。 解决方案:可以借助 `multiprocessing.Manager` 或者全局队列/锁机制来实现安全的数据交换。 --- ##### 3. 异常捕获困难 当某个子进程抛出了异常时,父进程未必能立即感知到这一情况,这可能导致调试变得复杂。 解决方案:可以在回调函数里记录日志或将异常信息存入特定容器供后续分析。 --- ### 总结 通过合理配置和运用 `multiprocessing.Pool` ,开发者不仅可以简化大规模分布式运算的设计过程,还能显著提升应用程序性能。不过需要注意的是,实际开发过程中还需考虑平台差异以及潜在的风险因素。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ℳChizuruᴶᵃʸ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值