我们能够使用subprocess包来创建子进程。但这个包有两个非常大的局限性：
1) 我们总是让subprocess执行外部的程序，而不是执行一个Python脚本内部编写的函数。
2) 进程间仅仅通过管道进行文本交流。
以上限制了我们将subprocess包应用到更广泛的多进程任务。
这种比較实际是不公平的，由于subprocessing本身就是设计成为一个shell，而不是一个多进程管理包。
一 threading和multiprocessing
multiprocessing包是Python中的多进程管理包。
与threading.Thread类似。它能够利用multiprocessing.Process对象来创建一个进程。
该进程能够执行在Python程序内部编写的函数。
该Process对象与Thread对象的使用方法同样，也有start(), run(), join()的方法。
此外multiprocessing包中也有Lock/Event/Semaphore/Condition类 (这些对象能够像多线程那样，通过參数传递给各个进程)，用以同步进程。其使用方法与threading包中的同名类一致。
所以。multiprocessing的非常大一部份与threading使用同一套API，仅仅只是换到了多进程的情境。
但在使用这些共享API的时候，我们要注意下面几点:
1）在UNIX平台上，当某个进程终结之后。该进程须要被其父进程调用wait，否则进程成为僵尸进程(Zombie)。
所以。有必要对每一个Process对象调用join()方法 (实际上等同于wait)。对于多线程来说，因为仅仅有一个进程。所以不存在此必要性。
2）multiprocessing提供了threading包中没有的IPC(比方Pipe和Queue)，效率上更高。
应优先考虑Pipe和Queue，避免使用Lock/Event/Semaphore/Condition等同步方式 (由于它们占领的不是用户进程的资源)。
3）多进程应该避免共享资源。
在多线程中，我们能够比較easy地共享资源，比方使用全局变量或者传递參数。
在多进程情况下。因为每一个进程有自己独立的内存空间。以上方法并不合适。此时我们能够通过共享内存和Manager的方法来共享资源。
但这样做提高了程序的复杂度，并由于同步的须要而减少了程序的效率。Process.PID中保存有PID，假设进程还没有start()。则PID为None。
我们能够从以下的程序中看到Thread对象和Process对象在使用上的相似性与结果上的不同。各个线程和进程都做一件事：打印PID。
但问题是，全部的任务在打印的时候都会向同一个标准输出(stdout)输出。这样输出的字符会混合在一起，无法阅读。
使用Lock同步，在一个任务输出完毕之后，再同意还有一个任务输出，能够避免多个任务同一时候向终端输出。
# Similarity and difference of multi thread vs. multi process import os
import threading
import multiprocessing # worker function
def worker(sign, lock):
lock.acquire()
print(sign, os.getpid())
lock.release() # Main
print('Main:',os.getpid()) # Multi-thread
record = []
lock = threading.Lock()
for i in range(5):
thread = threading.Thread(target=worker,args=('thread',lock))
thread.start()
record.append(thread) for thread in record:
thread.join() # Multi-process
record = []
lock = multiprocessing.Lock()
for i in range(5):
process = multiprocessing.Process(target=worker,args=('process',lock))
process.start()
record.append(process) for process in record:
process.join()
全部Thread的PID都与主程序同样，而每一个Process都有一个不同的PID。
二 Pipe和Queue
管道PIPE和消息队列message queue，multiprocessing包中有Pipe类和Queue类来分别支持这两种IPC机制。Pipe和Queue能够用来传送常见的对象。
1) Pipe能够是单向(half-duplex)。也能够是双向(duplex)。
我们通过mutiprocessing.Pipe(duplex=False)创建单向管道 (默觉得双向)。
一个进程从PIPE一端输入对象，然后被PIPE还有一端的进程接收，单向管道仅仅同意管道一端的进程输入，而双向管道则同意从两端输入。
以下的程序展示了Pipe的使用:
# Multiprocessing with Pipe import multiprocessing as mul def proc1(pipe):
pipe.send('hello')
print('proc1 rec:',pipe.recv()) def proc2(pipe):
print('proc2 rec:',pipe.recv())
pipe.send('hello, too') # Build a pipe
pipe = mul.Pipe() # Pass an end of the pipe to process 1
p1 = mul.Process(target=proc1, args=(pipe[0],)) # Pass the other end of the pipe to process 2
p2 = mul.Process(target=proc2, args=(pipe[1],)) p1.start()
p2.start()
p1.join()
p2.join()
这里的Pipe是双向的。
Pipe对象建立的时候，返回一个含有两个元素的表。每一个元素代表Pipe的一端(Connection对象)。
我们对Pipe的某一端调用send()方法来传送对象，在还有一端使用recv()来接收。
2) Queue与Pipe相类似，都是先进先出的结构。但Queue同意多个进程放入，多个进程从队列取出对象。
Queue使用mutiprocessing.Queue(maxsize)创建。maxsize表示队列中能够存放对象的最大数量。
以下的程序展示了Queue的使用:
import os
import multiprocessing
import time
#==================
# input worker
def inputQ(queue):
info = str(os.getpid()) + '(put):' + str(time.time())
queue.put(info) # output worker
def outputQ(queue,lock):
info = queue.get()
lock.acquire()
print (str(os.getpid()) + '(get):' + info)
lock.release()
#===================
# Main
record1 = [] # store input processes
record2 = [] # store output processes
lock = multiprocessing.Lock() # To prevent messy print
queue = multiprocessing.Queue(3) # input processes
for i in range(10):
process = multiprocessing.Process(target=inputQ,args=(queue,))
process.start()
record1.append(process) # output processes
for i in range(10):
process = multiprocessing.Process(target=outputQ,args=(queue,lock))
process.start()
record2.append(process) for p in record1:
p.join() queue.close() # No more object will come, close the queue for p in record2:
p.join()
一些进程使用put()在Queue中放入字符串，这个字符串中包括PID和时间。
还有一些进程从Queue中取出，并打印自己的PID以及get()的字符串。
三 进程池
进程池 (Process Pool)能够创建多个进程。这些进程就像是随时待命的士兵，准备运行任务(程序)。
一个进程池中能够容纳多个待命的士兵。
比方以下的程序:
import multiprocessing as mul def f(x):
return x**2 pool = mul.Pool(5)
rel = pool.map(f,[1,2,3,4,5,6,7,8,9,10])
print(rel)
我们创建了一个容许5个进程的进程池 (Process Pool) 。Pool执行的每一个进程都执行f()函数。
我们利用map()方法，将f()函数作用到表的每一个元素上。这与built-in的map()函数类似。仅仅是这里用5个进程并行处理。
假设进程执行结束后，还有须要处理的元素。那么的进程会被用于又一次执行f()函数。除了map()方法外。Pool还有以下的经常用法。
1）apply_async(func,args)从进程池中取出一个进程运行func。args为func的參数。
它将返回一个AsyncResult的对象。你能够对该对象调用get()方法以获得结果。
2）close()进程池不再创建新的进程
3）join()wait进程池中的所有进程。
必须对Pool先调用close()方法才干join。
四 共享资源
多进程共享资源必定会带来进程间相互竞争。而这样的竞争又会造成race condition，我们的结果有可能被竞争的不确定性所影响。
但假设须要，我们依旧能够通过共享内存和Manager对象这么做。
1 共享内存
依据共享内存(shared memory)的原理，这里给出用Python实现的样例:
import multiprocessing def f(n, a):
n.value = 3.14
a[0] = 5 num = multiprocessing.Value('d', 0.0)
arr = multiprocessing.Array('i', range(10)) p = multiprocessing.Process(target=f, args=(num, arr))
p.start()
p.join() print num.value
print arr[:]
这里我们实际上仅仅有主进程和Process对象代表的进程。
我们在主进程的内存空间中创建共享的内存，也就是Value和Array两个对象。对象Value被设置成为双精度数(d), 并初始化为0.0。
而Array则类似于C中的数组，有固定的类型(i, 也就是整数)。在Process进程中，我们改动了Value和Array对象。
回到主程序。打印出结果，主程序也看到了两个对象的改变，说明资源确实在两个进程之间共享。
2 Manager
Manager对象类似于服务器与客户之间的通信 (server-client)，与我们在Internet上的活动非常类似。
我们用一个进程作为server，建立Manager来真正存放资源。其他的进程能够通过參数传递或者依据地址来訪问Manager，建立连接后。操作server上的资源。
在防火墙同意的情况下，我们全然能够将Manager运用于多计算机。从而模仿了一个真实的网络情境。
以下的样例中，我们对Manager的使用类似于shared memory。但能够共享更丰富的对象类型。
import multiprocessing def f(x, arr, l):
x.value = 3.14
arr[0] = 5
l.append('Hello') server = multiprocessing.Manager()
x = server.Value('d', 0.0)
arr = server.Array('i', range(10))
l = server.list() proc = multiprocessing.Process(target=f, args=(x, arr, l))
proc.start()
proc.join() print(x.value)
print(arr)
print(l)
Manager利用list()方法提供了表的共享方式。
实际上你能够利用dict()来共享词典，Lock()来共享threading.Lock(注意，我们共享的是threading.Lock。而不是进程的mutiprocessing.Lock。
后者本身已经实现了进程共享)等。
这样Manager就同意我们共享很多其它样的对象。