进程同步控制(锁,信号量,事件), 进程通讯(队列和管道,生产者消费者模型) 数据共享(进程池和mutiprocess.Pool模块)

参考博客

https://www.cnblogs.com/xiao987334176/p/9025072.html#autoid-1-1-0

进程同步(multiprocess.Lock、Semaphore、Event)

锁 —— multiprocess.Lock

通过刚刚的学习，我们千方百计实现了程序的异步，让多个任务可以同时在几个进程中并发处理，他们之间的运行没有顺序，一旦开启也不受我们控制。尽管并发编程让我们能更加充分的利用IO资源，但是也给我们带来了新的问题。

　　当多个进程使用同一份数据资源的时候，就会引发数据安全或顺序混乱问题。

多进程抢占输出资源

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14

import os import time import random from multiprocessing import Process   def work(n):     print('%s: %s is running' %(n,os.getpid()))     time.sleep(random.random())     print('%s:%s is done' %(n,os.getpid()))   if __name__ == '__main__':     for i in range(3):         p=Process(target=work,args=(i,))         p.start()

执行输出：

1: 16548 is running
0: 1448 is running
2: 1096 is running
2:1096 is done
0:1448 is done
1:16548 is done

看输出结果，都是乱的。
如果想有序的执行，先run,再done，怎么办？
需要用到锁

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

import os import time import random from multiprocessing import Lock from multiprocessing import Process   def work(n,lock):     lock.acquire()  #取得锁     print('%s: %s is running' %(n,os.getpid()))     time.sleep(random.random())     print('%s:%s is done' %(n,os.getpid()))     lock.release()  #释放锁   if __name__ == '__main__':     lock = Lock()  #创建锁     for i in range(5):         p=Process(target=work,args=(i,lock))         p.start()

执行输出：

0: 17468 is running
0:17468 is done
2: 16688 is running
2:16688 is done
1: 15984 is running
1:15984 is done
3: 15828 is running
3:15828 is done
4: 18156 is running
4:18156 is done

从结果上来看，结果就比较整齐了。先run,再done。结果是无序的

#创建锁
mutex = threading.Lock()
#锁定
mutex.acquire([timeout])#timeout是超时时间
#释放
mutex.release()

其中，锁定方法acquire可以有一个超时时间的可选参数timeout。如果设定了timeout，则在超时后通过返回值可以判断是否得到了锁，从而可以进行一些其他的处理。

acquire参数

 锁的理论

acquire 表示拿锁
最先拿到钥匙的，它会做几件事情：
1.用钥匙开门
2.把钥匙带进门里
3.把门反锁

看下图

理论上来讲，进程一般是异步的
但是加了锁之后，就变成同步了

那么谁先拿到钥匙呢？满足以下2个条件：
1.操作系统先响应的进程
2.当时没有时间片轮询，刚好就是它

lock.acquire()和lock.release()之间的代码，表示被锁住了。

看join效果

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

import os import time import random from multiprocessing import Process   def work(n):     print('%s: %s is running' %(n,os.getpid()))     time.sleep(random.random())     print('%s:%s is done' %(n,os.getpid()))   if __name__ == '__main__':     for i in range(5):         p=Process(target=work,args=(i,))         p.start()         p.join()

执行输出：

0: 17348 is running
0:17348 is done
1: 18164 is running
1:18164 is done
2: 18160 is running
2:18160 is done
3: 17652 is running
3:17652 is done
4: 8340 is running
4:8340 is done

如果锁加在进程的开始和结束，参考work函数，它是同步的
join也是同步的，但是，他们之间的区别在于
锁执行时是无序的，join是有序的

由并发变成了串行,牺牲了运行效率,但避免了竞争。
上面这种情况虽然使用加锁的形式实现了顺序的执行，但是程序又重新变成串行了，这样确实会浪费了时间，却保证了数据的安全。

总结：

同步控制：
只要用到了锁 锁之间的代码就会变成同步的
锁 ：控制一段代码 同一时间 只能被一个进程执行

抢票的例子：

比如12306，大家都经历过
模拟数据库，创建一个文件ticket，内容如下：

?

1	{"count":1}

注意一定要用双引号，不然json无法识别

主程序代码如下：

?

1 2 3 4 5 6 7 8 9 10 11

import json from multiprocessing import Process   def check_ticket(i):     with open('ticket') as f:         ticket_count = json.load(f)     print('person%s'%i,ticket_count['count'])   if __name__ == '__main__':     for i in range(5):         Process(target=check_ticket,args=(i,)).start()

执行输出：

person1 1
person0 1
person3 1
person2 1
person4 1

开始买票，买票的时候，可能有网络延时
收到请求之后，从数据库中读取数据
当你发票还有余票时，把票减少这件事情记录下来
中间会经历网络延时

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

import json import time import random from multiprocessing import Process   def buy_ticket(i):  # 购票     with open('ticket') as f:  # 读取文件         tick_count = json.load(f)  # 反序列化         time.sleep(random.random())  # 读取延时     if tick_count['count'] > 0:  # 当余票小于0时         print('person%s购票成功'%i)         tick_count['count'] -= 1  # 票数减1     else:         print('余票不足,person%s购票失败'%i)     time.sleep(random.random())  # 写入延时     with open('ticket','w') as f:         json.dump(tick_count,f)  # 写入文件   if __name__ == '__main__':     for i in range(5):         Process(target=buy_ticket,args=(i,)).start()

模拟这2次延时
是因为服务器和数据库不在一台机器上面，它们之间交互数据，必然有延时

上面的代码只模拟了读取延时和写入延时，没有模拟请求延时

执行输出：

person3购票成功
person0购票成功
person4购票成功
person1购票成功
person2购票成功

从输出结果上来看，库存只有1张票，但是5个人都购票成功了。这显然是不合理的！

这就造成了数据不安全

怎么解决呢？加锁

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

import json import time import random from multiprocessing import Process,Lock   def buy_ticket(i,lock):  # 购票     lock.acquire()  #取得锁     with open('ticket') as f:  # 读取文件         tick_count = json.load(f)  # 反序列化         time.sleep(random.random())  # 读取延时     if tick_count['count'] > 0:  # 当余票小于0时         print('person%s购票成功'%i)         tick_count['count'] -= 1  # 票数减1     else:         print('余票不足,person%s购票失败'%i)     time.sleep(random.random())  # 写入延时     with open('ticket','w') as f:         json.dump(tick_count,f)  # 写入文件     lock.release()  #释放锁   if __name__ == '__main__':     lock = Lock()  #创建锁     for i in range(5):  # 模拟5个用户抢票         Process(target=buy_ticket,args=(i,lock)).start()

将文件ticket的count数字改为1

?

1	{"count": 1}

执行程序输出：

person0购票成功
余票不足,person1购票失败
余票不足,person2购票失败
余票不足,person3购票失败

从结果上来看，是正确的。保证了数据的安全性。

查数据，不涉及数据安全，因为没有修改。

总结：

#加锁可以保证多个进程修改同一块数据时，同一时间只能有一个任务可以进行修改，即串行的修改，没错，速度是慢了，但牺牲了速度却保证了数据安全。
虽然可以用文件共享数据实现进程间通信，但问题是：
1.效率低（共享数据基于文件，而文件是硬盘上的数据）
2.需要自己加锁处理

#因此我们最好找寻一种解决方案能够兼顾：1、效率高（多个进程共享一块内存的数据）2、帮我们处理好锁问题。这就是mutiprocessing模块为我们提供的基于消息的IPC通信机制：队列和管道。
队列和管道都是将数据存放于内存中
队列又是基于（管道+锁）实现的，可以让我们从复杂的锁问题中解脱出来，
我们应该尽量避免使用共享数据，尽可能使用消息传递和队列，避免处理复杂的同步和锁问题，而且在进程数目增多时，往往可以获得更好的可获展性。

信号量 —— multiprocess.Semaphore（了解）

互斥锁同时只允许一个线程更改数据，而信号量Semaphore是同时允许一定数量的线程更改数据 。
假设商场里有4个迷你唱吧，所以同时可以进去4个人，如果来了第五个人就要在外面等待，等到有人出来才能再进去玩。
实现：
信号量同步基于内部计数器，每调用一次acquire()，计数器减1；每调用一次release()，计数器加1.当计数器为0时，acquire()调用被阻塞。这是迪科斯彻（Dijkstra）信号量概念P()和V()的Python实现。信号量同步机制适用于访问像服务器这样的有限资源。
信号量与进程池的概念很像，但是要区分开，信号量涉及到加锁的概念

信号量介绍Semaphore

上面讲的锁一个，现在锁变成一串了，数量由你来控制

下面有一个小KTV，只能容纳4个人，第5个人，就没有钥匙了

先不用信号量

?

1 2 3 4 5 6 7 8 9 10 11 12 13

#KTV 4个人 import time import random from multiprocessing import Process,Semaphore   def ktv(i):     print('person %s 进来唱歌了'%i)     time.sleep(random.randint(1,5))     print('person %s 从ktv出去了'%i)   if __name__ == '__main__':     for i in range(6):  # 模拟6个人         Process(target=ktv,args=(i,)).start()

执行输出：

person 0 进来唱歌了
person 1 进来唱歌了
person 2 进来唱歌了
person 3 进来唱歌了
person 4 进来唱歌了
person 5 进来唱歌了
person 3 从ktv出去了
person 4 从ktv出去了
person 2 从ktv出去了
person 1 从ktv出去了
person 0 从ktv出去了
person 5 从ktv出去了

结果是有问题的，6个人，都可以进去

使用信号量来实现

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

#KTV 4个人 import time import random from multiprocessing import Process,Semaphore   def ktv(i,sem):     sem.acquire()  #取得锁     print('person %s 进来唱歌了'%i)     time.sleep(random.randint(1,5))     print('person %s 从ktv出去了'%i)     sem.release()  #释放锁   if __name__ == '__main__':     sem = Semaphore(4)  #初始化信号量，数量为4     for i in range(6):  # 模拟6个人         Process(target=ktv,args=(i,sem)).start()

执行输出：

在同一时间，最多有4个人进去

acquire()是一个阻塞行为

信号量和锁有点类似
那么它们之间的区别在于：
信号量，相当于计数器

它是锁+计数器
调用acquire() 计数器-1
当计数器到 0 时，再调用 acquire() 就会阻塞，直到其他线程来调用release()
调用release() 计数器+1

事件 —— multiprocess.Event（了解）

python线程的事件用于主线程控制其他线程的执行，事件主要提供了三个方法 set、wait、clear。

    事件处理的机制：全局定义了一个“Flag”，如果“Flag”值为 False，那么当程序执行 event.wait 方法时就会阻塞，如果“Flag”值为True，那么event.wait 方法时便不再阻塞。

clear：将“Flag”设置为False
set：将“Flag”设置为True

事件介绍

著名的计算机模型：红绿灯
车 比方是一个进程，wait() 等红灯
根据状态变化，wait遇到true信号，就非阻塞
遇到False，就阻塞
交通灯 也是有一个进程 红灯->False 绿灯->True

这里没有黄灯

事件有几个方法：

wait的方法 根据一个状态来决定自己是否要阻塞
状态相关的方法
　　set 将状态改为True
　　clear 将状态改为False
　　is_set 判断当前的状态是否为True

先来看几行代码

?

1 2 3 4

from multiprocessing import Event   e = Event() #创建一个事件的对象 print(e.is_set())  # 在事件的创世之初,状态为False

执行输出： False

在看一个列子

?

1 2 3 4 5 6

from multiprocessing import Event   e = Event() #创建一个事件的对象 print(e.is_set())  # 在事件的创世之初,状态为False e.wait() print('1')

执行输出： False，然后程序一致卡着

为啥呢？因为状态值为 False，那么当程序执行 event.wait 方法时就会阻塞

再来

?

1 2 3 4 5 6 7 8

from multiprocessing import Event   e = Event() #创建一个事件的对象 print(e.is_set())  # 在事件的创世之初,状态为False e.set()  # 将状态设置为True e.wait() print(e.is_set())  # 查看状态 print('1')

执行输出：

False
True
1

很快就输出了，说明没有阻塞

wait是否阻塞，取决于当前的状态

模拟红绿灯

?

1 2 3 4 5 6 7 8 9 10 11

import time   def traffic_light():     while True:         print('红灯亮')         time.sleep(2)         print('绿灯亮')         time.sleep(2)         break   traffic_light()

执行输出：

红灯亮
绿灯亮

为了好看一点，加点颜色

?

1 2 3 4 5 6 7 8 9 10 11

import time   def traffic_light():     while True:         print('\033[1;31m红灯亮\033[0m')         time.sleep(2)         print('\033[1;32m绿灯亮\033[0m')         time.sleep(2)         break   traffic_light()

执行输出：

输出挺专业的哈

下面来创建车

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

import time from multiprocessing import Process,Event   def traffic_light():     while True:         print('\033[1;31m红灯亮\033[0m')         time.sleep(2)         print('\033[1;32m绿灯亮\033[0m')         time.sleep(2)         break   def car(i):     print('car%s通过路口'%i)   if __name__ == '__main__':     for i in range(1,6):  # 创建5辆车         Process(target=car,args=(i,)).start()

执行输出：

car1通过路口
car2通过路口
car3通过路口
car5通过路口
car4通过路口

现在还没有红绿灯，加一个红绿灯进程

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

import time from multiprocessing import Process,Event   def traffic_light():     while True:         print('\033[1;31m红灯亮\033[0m')         time.sleep(2)         print('\033[1;32m绿灯亮\033[0m')         time.sleep(2)         break   def car(i):     print('car%s通过路口'%i)   if __name__ == '__main__':     Process(target=traffic_light).start()     for i in range(1,6):         Process(target=car,args=(i,)).start()

执行输出：

发现5辆车都闯红灯了...

加一个事件：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33

import time import random from multiprocessing import Process,Event   def traffic_light(e,count):  # 交通灯     while True:         while True:             # 事件在创建的时候,e的状态是False,相当于程序中的红灯             print('\033[1;31m红灯亮\033[0m')             time.sleep(2)  # 红灯亮2秒             # 这里e.is_set()是False，所以not e.is_set()就是True             if not e.is_set():e.set()  # 判断为True时,变绿灯             print('\033[1;32m绿灯亮\033[0m')             time.sleep(2)  # 绿灯亮2秒             # 这里e.is_set()是True             if e.is_set():e.clear()  # 判断为True时,将状态设置为False             count += 1  # 自增1             if count == 5:  # 判断为5时,跳出内层循环                 break         break #跳出内层循环   def car(i,e):  # 汽车，感知状态的变化     if not e.is_set():  # 当前这个事件状态是False         print('car%s正在等待'%i)  # 这辆车正在等待通过路口     e.wait()  # 阻塞,直到有一个e.set行为。正在等红灯     print('car%s通过路口'%i)  # 等待状态为True,才能通过   if __name__ == '__main__':     e = Event()  # 创建事件,默认状态为False     Process(target=traffic_light,args=(e,0)).start()  # 启动红灯进程     for i in range(1,6):  # 模拟5个人         time.sleep(random.randrange(0,5,2))  # 大于等于0且小于5之间的奇数         Process(target=car,args=(i,e)).start()  # 启动交通灯进程

执行输出：

从结果上来看，挺完美的。

每辆车独立占用一个进程，交通灯也是一个进程，之前学的进程是隔离的，那么car进程为什么能感知到？

是因为进程之间用了socket网络通信

内部有一套通讯机制

注意：e.is_set() 状态不是固定的，每隔2秒，会变化一次。

控制信号灯的子进程、事件对象e、car子进程，都依赖于状态

wait只判断True和False
也就是红灯停，绿灯行
等待2秒之后，就切换一个状态

相当于执行了下面的代码：

?

1 2 3 4 5 6 7

flag = False while True:     if flag is True:         flag = False     else:         flag = True     time.sleep(2)

　　

进程间通信——队列和管道（multiprocess.Queue、multiprocess.Pipe）

进程间通信

IPC(Inter-Process Communication)

IPC说的就是进程之间的通信，它只是缩写而已

队列

概念介绍

之前学的queue和现在要提到的queue之间的区别

import queue
它能维护一个先进先出的秩序，它不能进行IPC
from multiprocessing import Queue,Process
能维护一个先进先出的秩序，也能进行IPC

创建共享的进程队列，Queue是多进程安全的队列，可以使用Queue实现多进程之间的数据传递。

遵循先进先出原则

Queue([maxsize])
创建共享的进程队列。
参数 ：maxsize是队列中允许的最大项数。如果省略此参数，则无大小限制。
底层队列使用管道和锁定实现。

Queue([maxsize])
创建共享的进程队列。maxsize是队列中允许的最大项数。如果省略此参数，则无大小限制。底层队列使用管道和锁定实现。另外，还需要运行支持线程以便队列中的数据传输到底层管道中。
Queue的实例q具有以下方法：

q.get( [ block [ ,timeout ] ] )
返回q中的一个项目。如果q为空，此方法将阻塞，直到队列中有项目可用为止。block用于控制阻塞行为，默认为True. 如果设置为False，将引发Queue.Empty异常（定义在Queue模块中）。timeout是可选超时时间，用在阻塞模式中。如果在制定的时间间隔内没有项目变为可用，将引发Queue.Empty异常。

q.get_nowait( )
同q.get(False)方法。

q.put(item [, block [,timeout ] ] )
将item放入队列。如果队列已满，此方法将阻塞至有空间可用为止。block控制阻塞行为，默认为True。如果设置为False，将引发Queue.Empty异常（定义在Queue库模块中）。timeout指定在阻塞模式中等待可用空间的时间长短。超时后将引发Queue.Full异常。

q.qsize()
返回队列中目前项目的正确数量。此函数的结果并不可靠，因为在返回结果和在稍后程序中使用结果之间，队列中可能添加或删除了项目。在某些系统上，此方法可能引发NotImplementedError异常。

q.empty()
如果调用此方法时 q为空，返回True。如果其他进程或线程正在往队列中添加项目，结果是不可靠的。也就是说，在返回和使用结果之间，队列中可能已经加入新的项目。

q.full()
如果q已满，返回为True. 由于线程的存在，结果也可能是不可靠的（参考q.empty（）方法）。。

方法介绍

q.close()
关闭队列，防止队列中加入更多数据。调用此方法时，后台线程将继续写入那些已入队列但尚未写入的数据，但将在此方法完成时马上关闭。如果q被垃圾收集，将自动调用此方法。关闭队列不会在队列使用者中生成任何类型的数据结束信号或异常。例如，如果某个使用者正被阻塞在get（）操作上，关闭生产者中的队列不会导致get（）方法返回错误。

q.cancel_join_thread()
不会再进程退出时自动连接后台线程。这可以防止join_thread()方法阻塞。

q.join_thread()
连接队列的后台线程。此方法用于在调用q.close()方法后，等待所有队列项被消耗。默认情况下，此方法由不是q的原始创建者的所有进程调用。调用q.cancel_join_thread()方法可以禁止这种行为。

其他方法(了解)

简单用法：

?

1 2 3 4 5 6

from multiprocessing import Process,Queue q = Queue()  #创建共享的进程队列 q.put(1)  # 将一个值放入队列 q.put(2) q.put('aaa') print(q.get())  # 返回q中的一个项目

执行输出：1

因为1先进去，所以它先出来。

?

1 2 3 4 5 6 7 8 9

from multiprocessing import Process,Queue   def wahaha(q):     print(q.get())   if __name__ == '__main__':     q = Queue()  #创建共享的进程队列     Process(target=wahaha,args=(q,)).start()     q.put(1)

执行输出：1

因为主程序先执行

双向通信

既能取值，也能增加值

?

1 2 3 4 5 6 7 8 9 10 11 12 13

import time from multiprocessing import Process,Queue   def wahaha(q):     print(q.get())  # 取值     q.put('aaa')  # 增加一个aaa   if __name__ == '__main__':     q = Queue()  #创建共享的进程队列     Process(target=wahaha,args=(q,)).start()     q.put(1)     time.sleep(0.5)  # 等待0.5秒,让子程序执行完     print(q.get())  # 取值

执行输出：

1
aaa

'''
multiprocessing模块支持进程间通信的两种主要形式:管道和队列
都是基于消息传递实现的,但是队列接口
'''

from multiprocessing import Queue
q=Queue(3)

#put ,get ,put_nowait,get_nowait,full,empty
q.put(3)
q.put(3)
q.put(3)
# q.put(3)   # 如果队列已经满了，程序就会停在这里，等待数据被别人取走，再将数据放入队列。
           # 如果队列中的数据一直不被取走，程序就会永远停在这里。
try:
    q.put_nowait(3) # 可以使用put_nowait，如果队列满了不会阻塞，但是会因为队列满了而报错。
except: # 因此我们可以用一个try语句来处理这个错误。这样程序不会一直阻塞下去，但是会丢掉这个消息。
    print('队列已经满了')

# 因此，我们再放入数据之前，可以先看一下队列的状态，如果已经满了，就不继续put了。
print(q.full()) #满了

print(q.get())
print(q.get())
print(q.get())
# print(q.get()) # 同put方法一样，如果队列已经空了，那么继续取就会出现阻塞。
try:
    q.get_nowait(3) # 可以使用get_nowait，如果队列满了不会阻塞，但是会因为没取到值而报错。
except: # 因此我们可以用一个try语句来处理这个错误。这样程序不会一直阻塞下去。
    print('队列已经空了')

print(q.empty()) #空了

单看队列用法

上面这个例子还没有加入进程通信，只是先来看看队列为我们提供的方法，以及这些方法的使用和现象。

import time
from multiprocessing import Process, Queue

def f(q):
    q.put([time.asctime(), 'from Eva', 'hello'])  #调用主函数中p进程传递过来的进程参数 put函数为向队列中添加一条数据。

if __name__ == '__main__':
    q = Queue() #创建一个Queue对象
    p = Process(target=f, args=(q,)) #创建一个进程
    p.start()
    print(q.get())
    p.join()

子进程发送数据给父进程

上面是一个queue的简单应用，使用队列q对象调用get函数来取得队列中最先进入的数据。 接下来看一个稍微复杂一些的例子：

import os
import time
import multiprocessing

# 向queue中输入数据的函数
def inputQ(queue):
    info = str(os.getpid()) + '(put):' + str(time.asctime())
    queue.put(info)

# 向queue中输出数据的函数
def outputQ(queue):
    info = queue.get()
    print ('%s%s\033[32m%s\033[0m'%(str(os.getpid()), '(get):',info))

# Main
if __name__ == '__main__':
    multiprocessing.freeze_support()
    record1 = []   # store input processes
    record2 = []   # store output processes
    queue = multiprocessing.Queue(3)

    # 输入进程
    for i in range(10):
        process = multiprocessing.Process(target=inputQ,args=(queue,))
        process.start()
        record1.append(process)

    # 输出进程
    for i in range(10):
        process = multiprocessing.Process(target=outputQ,args=(queue,))
        process.start()
        record2.append(process)

    for p in record1:
        p.join()

    for p in record2:
        p.join()

批量生产数据放入队列再批量获取结果 x

生产者消费者模型

在并发编程中使用生产者和消费者模式能够解决绝大多数并发问题。该模式通过平衡生产线程和消费线程的工作能力来提高程序的整体处理数据的速度。

为什么要使用生产者和消费者模式

在线程世界里，生产者就是生产数据的线程，消费者就是消费数据的线程。在多线程开发当中，如果生产者处理速度很快，而消费者处理速度很慢，那么生产者就必须等待消费者处理完，才能继续生产数据。同样的道理，如果消费者的处理能力大于生产者，那么消费者就必须等待生产者。为了解决这个问题于是引入了生产者和消费者模式。

什么是生产者消费者模式

生产者消费者模式是通过一个容器来解决生产者和消费者的强耦合问题。生产者和消费者彼此之间不直接通讯，而通过阻塞队列来进行通讯，所以生产者生产完数据之后不用等待消费者处理，直接扔给阻塞队列，消费者不找生产者要数据，而是直接从阻塞队列里取，阻塞队列就相当于一个缓冲区，平衡了生产者和消费者的处理能力。

生产者消费者模型
消费者 消费数据 吃包子
生产者 产生数据的人 做包子

假如生产了10个包子，但是来了15个人，供不应求了。

这就产生了供销矛盾，那怎么解决呢？

增加做包子的人
或者采用同步模式 ：做一个包子 卖一包子

再举一个例子：

生产数据 在淘宝买东西 --- 产生消费者行为数据
消费数据 阿里巴巴 --- 即时性要求非常高 必须要快速把用户生产的数据消费完

看下图

笼屉，只能放100个包子

如果蒸包子的数量过多，没人买了，那么就需要减少蒸包子的人

如果蒸包子的根据买包子的人，来生产包子，就比较完美了

queue队列就是笼屉

基于队列实现生产者消费者模型

举例

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

import time import random from multiprocessing import Process,Queue   def producer(q): #生产者     for i in range(5):  # 生产5个包子         time.sleep(random.random())  # 模拟生产包子时间         q.put('包子%s'%i)   def consumer(q):  # 消费者     for i in range(5): # 5个消费者         print(q.get())  # 买一个包子         time.sleep(random.random())  # 模拟吃包子时间   if __name__ == '__main__':     q = Queue()  #创建共享的进程队列     p1 = Process(target=producer,args=(q,))     p2 = Process(target=consumer, args=(q,))     p1.start()  # 启动进程     p2.start()

执行输出：

包子0
包子1
包子2
包子3
包子4

增加颜色，显示更明显

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

import time import random from multiprocessing import Process,Queue   def producer(q): #生产者     for i in range(1,6):  # 生产5个包子         time.sleep(random.random())  # 模拟生产包子时间         print('\033[1;31m生产了包子%s\033[0m' % i)   def consumer(q):  # 消费者     for i in range(1,6): # 5个消费者         print('\033[1;32m消费了包子%s\033[0m' % i)         time.sleep(random.uniform(1,2))  # 模拟吃包子时间   if __name__ == '__main__':     q = Queue()  #创建共享的进程队列     p1 = Process(target=producer,args=(q,))     p2 = Process(target=consumer, args=(q,))     p1.start()  # 启动进程     p2.start()

执行输出：

发现供需不平衡

需要改变供需平衡

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

import time import random from multiprocessing import Process,Queue   def producer(q): #生产者     for i in range(1,11):  # 生产5个包子         time.sleep(random.random())  # 模拟生产包子时间         q.put('包子%s'%i)  # 生产包子,将包子放入队列,比如包子1         print('\033[1;31m生产了包子%s\033[0m' % i)   def consumer(q):  # 消费者     for i in range(1,6): # 5个消费者         food = q.get()  # 买一个包子         print('\033[1;32m消费了包子%s\033[0m' % food)         time.sleep(random.uniform(1,2))  # 模拟吃包子时间   if __name__ == '__main__':     q = Queue()  #创建共享的进程队列     p1 = Process(target=producer,args=(q,))     p2 = Process(target=consumer, args=(q,))     p3 = Process(target=consumer, args=[q])  # 增加一个消费者进程     p1.start()  # 启动进程     p2.start()     p3.start()

执行输出：

上面是通过消费者和包子数量对等，解决供需平衡问题的。

其他例子：

基于队列实现生产者消费者模型

from multiprocessing import Process,Queue
import time,random,os
def consumer(q):
    while True:
        res=q.get()
        time.sleep(random.randint(1,3))
        print('\033[45m%s 吃 %s\033[0m' %(os.getpid(),res))

def producer(q):
    for i in range(10):
        time.sleep(random.randint(1,3))
        res='包子%s' %i
        q.put(res)
        print('\033[44m%s 生产了 %s\033[0m' %(os.getpid(),res))

if __name__ == '__main__':
    q=Queue()
    #生产者们:即厨师们
    p1=Process(target=producer,args=(q,))

    #消费者们:即吃货们
    c1=Process(target=consumer,args=(q,))

    #开始
    p1.start()
    c1.start()
    print('主')

基于队列实现生产者消费者模型

此时的问题是主进程永远不会结束，原因是：生产者p在生产完后就结束了，但是消费者c在取空了q之后，则一直处于死循环中且卡在q.get()这一步。

解决方式无非是让生产者在生产完毕后，往队列中再发一个结束信号，这样消费者在接收到结束信号后就可以break出死循环。

from multiprocessing import Process,Queue
import time,random,os
def consumer(q):
    while True:
        res=q.get()
        if res is None:break #收到结束信号则结束
        time.sleep(random.randint(1,3))
        print('\033[45m%s 吃 %s\033[0m' %(os.getpid(),res))

def producer(q):
    for i in range(10):
        time.sleep(random.randint(1,3))
        res='包子%s' %i
        q.put(res)
        print('\033[44m%s 生产了 %s\033[0m' %(os.getpid(),res))
    q.put(None) #发送结束信号
if __name__ == '__main__':
    q=Queue()
    #生产者们:即厨师们
    p1=Process(target=producer,args=(q,))

    #消费者们:即吃货们
    c1=Process(target=consumer,args=(q,))

    #开始
    p1.start()
    c1.start()
    print('主')

改良版——生产者消费者模型

注意：结束信号None，不一定要由生产者发，主进程里同样可以发，但主进程需要等生产者结束后才应该发送该信号

from multiprocessing import Process,Queue
import time,random,os
def consumer(q):
    while True:
        res=q.get()
        if res is None:break #收到结束信号则结束
        time.sleep(random.randint(1,3))
        print('\033[45m%s 吃 %s\033[0m' %(os.getpid(),res))

def producer(q):
    for i in range(2):
        time.sleep(random.randint(1,3))
        res='包子%s' %i
        q.put(res)
        print('\033[44m%s 生产了 %s\033[0m' %(os.getpid(),res))

if __name__ == '__main__':
    q=Queue()
    #生产者们:即厨师们
    p1=Process(target=producer,args=(q,))

    #消费者们:即吃货们
    c1=Process(target=consumer,args=(q,))

    #开始
    p1.start()
    c1.start()

    p1.join()
    q.put(None) #发送结束信号
    print('主')

主进程在生产者生产完毕后发送结束信号None

但上述解决方式，在有多个生产者和多个消费者时，我们则需要用一个很low的方式去解决

from multiprocessing import Process,Queue
import time,random,os
def consumer(q):
    while True:
        res=q.get()
        if res is None:break #收到结束信号则结束
        time.sleep(random.randint(1,3))
        print('\033[45m%s 吃 %s\033[0m' %(os.getpid(),res))

def producer(name,q):
    for i in range(2):
        time.sleep(random.randint(1,3))
        res='%s%s' %(name,i)
        q.put(res)
        print('\033[44m%s 生产了 %s\033[0m' %(os.getpid(),res))

if __name__ == '__main__':
    q=Queue()
    #生产者们:即厨师们
    p1=Process(target=producer,args=('包子',q))
    p2=Process(target=producer,args=('骨头',q))
    p3=Process(target=producer,args=('泔水',q))

    #消费者们:即吃货们
    c1=Process(target=consumer,args=(q,))
    c2=Process(target=consumer,args=(q,))

    #开始
    p1.start()
    p2.start()
    p3.start()
    c1.start()

    p1.join() #必须保证生产者全部生产完毕,才应该发送结束信号
    p2.join()
    p3.join()
    q.put(None) #有几个消费者就应该发送几次结束信号None
    q.put(None) #发送结束信号
    print('主')

多个消费者的例子：有几个消费者就需要发送几次结束信号

下面介绍JoinableQueue

JoinableQueue([maxsize])  

创建可连接的共享进程队列。这就像是一个Queue对象，但队列允许项目的使用者通知生产者项目已经被成功处理。通知进程是使用共享的信号和条件变量来实现的。

JoinableQueue的实例p除了与Queue对象相同的方法之外，还具有以下方法：

q.task_done()
使用者使用此方法发出信号，表示q.get()返回的项目已经被处理。如果调用此方法的次数大于从队列中删除的项目数量，将引发ValueError异常。

q.join()
生产者将使用此方法进行阻塞，直到队列中所有项目均被处理。阻塞将持续到为队列中的每个项目均调用q.task_done()方法为止。
下面的例子说明如何建立永远运行的进程，使用和处理队列上的项目。生产者将项目放入队列，并等待它们被处理。

方法介绍

JoinableQueue队列实现消费之生产者模型

import time
import random
from multiprocessing import Process,JoinableQueue
def producer(q,name,food):
    for i in range():
        time.sleep(random.random())  # 模拟生产时间
        print('{}生产了{}{}'.format(name,food,i))
        q.put('{}{}'.format(food,i))
        q.join()  # 等到所有的数据都被task_done才结束

def consumer(q,name):
    while True:
        food = q.get()  # 获取队列
        time.sleep(random.random())  # 模拟吃的时间
        print('{}吃了{}'.format(name,food))
        q.task_done()  # 向q.join()发送一次信号,证明一个数据已经被取走了

if __name__ == '__main__':
    q = JoinableQueue()  #创建可连接的共享进程队列
    # 生产者们:即厨师们
    p1 = Process(target=producer,args=[q,'康师傅','红烧牛肉'])
    p2 = Process(target=producer,args=[q,'郑师傅','红烧鱼块'])
    p1.start()  # 启动进程
    p2.start()
    # 消费者们:即吃货们
    c1 = Process(target=consumer,args=[q,'xiao'])
    c2 = Process(target=consumer, args=[q,'lin'])
    c1.daemon = True  # 设置守护进程
    c2.daemon = True
    c1.start()  # 启动进程
    c2.start()
    p1.join()  # 保证子进程结束后再向下执行
    p2.join()

总结

producer
    put
    生产完全部的数据就没有其他工作了
    在生产数据方 ： 允许执行q.join
    join会发起一个阻塞，直到所有当前队列中的数据都被消费
consumer
    get 获取到数据
    处理数据
    q.task_done()  告诉q，刚刚从q获取的数据已经处理完了

consumer每完成一个任务就会给q发送一个taskdone
producer在所有的数据都生产完之后会执行q.join()
producer会等待consumer消费完数据才结束
主进程中对producer进程进行join
主进程中的代码会等待producer执行完才结束
producer结束就意味着主进程代码的结束
consumer作为守护进程结束

结束顺序：
consumer中queue中的所有数据被消费
producer join结束
主进程的代码结束
consumer结束
主进程结束

管道

#创建管道的类：
Pipe([duplex]):在进程之间创建一条管道，并返回元组（conn1,conn2）,其中conn1，conn2表示管道两端的连接对象，强调一点：必须在产生Process对象之前产生管道
#参数介绍：
dumplex:默认管道是全双工的，如果将duplex射成False，conn1只能用于接收，conn2只能用于发送。
#主要方法：
    conn1.recv():接收conn2.send(obj)发送的对象。如果没有消息可接收，recv方法会一直阻塞。如果连接的另外一端已经关闭，那么recv方法会抛出EOFError。
    conn1.send(obj):通过连接发送对象。obj是与序列化兼容的任意对象
 #其他方法：
conn1.close():关闭连接。如果conn1被垃圾回收，将自动调用此方法
conn1.fileno():返回连接使用的整数文件描述符
conn1.poll([timeout]):如果连接上的数据可用，返回True。timeout指定等待的最长时限。如果省略此参数，方法将立即返回结果。如果将timeout射成None，操作将无限期地等待数据到达。

conn1.recv_bytes([maxlength]):接收c.send_bytes()方法发送的一条完整的字节消息。maxlength指定要接收的最大字节数。如果进入的消息，超过了这个最大值，将引发IOError异常，并且在连接上无法进行进一步读取。如果连接的另外一端已经关闭，再也不存在任何数据，将引发EOFError异常。
conn.send_bytes(buffer [, offset [, size]])：通过连接发送字节数据缓冲区，buffer是支持缓冲区接口的任意对象，offset是缓冲区中的字节偏移量，而size是要发送字节数。结果数据以单条消息的形式发出，然后调用c.recv_bytes()函数进行接收    

conn1.recv_bytes_into(buffer [, offset]):接收一条完整的字节消息，并把它保存在buffer对象中，该对象支持可写入的缓冲区接口（即bytearray对象或类似的对象）。offset指定缓冲区中放置消息处的字节位移。返回值是收到的字节数。如果消息长度大于可用的缓冲区空间，将引发BufferTooShort异常。

介绍

from multiprocessing import Process, Pipe

def f(conn):
    conn.send("Hello The_Third_Wave")
    conn.close()

if __name__ == '__main__':
    parent_conn, child_conn = Pipe()
    p = Process(target=f, args=(child_conn,))
    p.start()
    print(parent_conn.recv())
    p.join()

pipe初使用

应该特别注意管道端点的正确管理问题。如果是生产者或消费者中都没有使用管道的某个端点，就应将它关闭。这也说明了为何在生产者中关闭了管道的输出端，在消费者中关闭管道的输入端。如果忘记执行这些步骤，程序可能在消费者中的recv（）操作上挂起。管道是由操作系统进行引用计数的，必须在所有进程中关闭管道后才能生成EOFError异常。因此，在生产者中关闭管道不会有任何效果，除非消费者也关闭了相同的管道端点。

from multiprocessing import Pipe
　　left,right = Pipe()
　　left.send('')
　　print(right.recv())

执行输出：1234

管道实例化之后，形成2端。默认情况下，管道是双向的
左边send，右边recv
一端send和recv，会阻塞
它不是走TCP和UDP
它是一台机器的多个进程

引发EOFError，程序卡住

from multiprocessing import Process, Pipe

def f(parent_conn,child_conn):
    parent_conn.close() #不写close将不会引发EOFError
    while True:
        try:
            print(child_conn.recv())
        except EOFError:
            child_conn.close()
            break

if __name__ == '__main__':
    # 在进程之间创建一条管道，并返回元组（conn1,conn2），其中conn1和conn2是表示管道两端的Connection对象
    parent_conn, child_conn = Pipe()
    p = Process(target=f, args=(parent_conn,child_conn,))
    p.start()
    child_conn.close()  #关闭连接
    parent_conn.send('hello')
    parent_conn.send('hello')
    parent_conn.send('hello')
    parent_conn.close()
    p.join() # 等待子进程结束

执行输出：

hello
hello
hello

from multiprocessing import Process,Pipe

def consumer(p,name):
    produce, consume=p
    produce.close()
    while True:
        try:
            baozi=consume.recv()
            print('%s 收到包子:%s' %(name,baozi))
        except EOFError:
            break

def producer(seq,p):
    produce, consume=p
    consume.close()
    for i in seq:
        produce.send(i)

if __name__ == '__main__':
    produce,consume=Pipe()

    c1=Process(target=consumer,args=((produce,consume),'c1'))
    c1.start()

    seq=(i for i in range())
    producer(seq,(produce,consume))

    produce.close()
    consume.close()

    c1.join()
    print('主进程')

pipe实现生产者消费者模型

from multiprocessing import Process,Pipe,Lock

def consumer(p,name,lock):
    produce, consume=p
    produce.close()
    while True:
        lock.acquire()
        baozi=consume.recv()
        lock.release()
        if baozi:
            print('%s 收到包子:%s' %(name,baozi))
        else:
            consume.close()
            break

def producer(p,n):
    produce, consume=p
    consume.close()
    for i in range(n):
        produce.send(i)
    produce.send(None)
    produce.send(None)
    produce.close()

if __name__ == '__main__':
    produce,consume=Pipe()
    lock = Lock()
    c1=Process(target=consumer,args=((produce,consume),'c1',lock))
    c2=Process(target=consumer,args=((produce,consume),'c2',lock))
    p1=Process(target=producer,args=((produce,consume),))
    c1.start()
    c2.start()
    p1.start()

    produce.close()
    consume.close()

    c1.join()
    c2.join()
    p1.join()
    print('主进程')

多个消费者之间竞争问题带来的数据不安全问题

进程之间的数据共享

展望未来，基于消息传递的并发编程是大势所趋

即便是使用线程，推荐做法也是将程序设计为大量独立的线程集合，通过消息队列交换数据。

这样极大地减少了对使用锁定和其他同步手段的需求，还可以扩展到分布式系统中。

但进程间应该尽量避免通信，即便需要通信，也应该选择进程安全的工具来避免加锁带来的问题。

以后我们会尝试使用数据库来解决现在进程之间的数据共享问题。

进程间数据是独立的，可以借助于队列或管道实现通信，二者都是基于消息传递的
虽然进程间数据独立，但可以通过Manager实现数据共享，事实上Manager的功能远不止于此

A manager object returned by Manager() controls a server process which holds Python objects and allows other processes to manipulate them using proxies.

A manager returned by Manager() will support types list, dict, Namespace, Lock, RLock, Semaphore, BoundedSemaphore, Condition, Event, Barrier, Queue, Value and Array.

Manager模块介绍

Manager是一种较为高级的多进程通信方式，它能支持Python支持的的任何数据结构。
它的原理是：先启动一个ManagerServer进程，这个进程是阻塞的，它监听一个socket，然后其他进程（ManagerClient）通过socket来连接到ManagerServer，实现通信。

from multiprocessing import Manager,Process
def func(dic):
    print(dic)

if __name__ == '__main__':
    m = Manager()  # 创建一个server进程
    dic = m.dict({'count':})  #这是一个特殊的字典
    p = Process(target=func,args=[dic,])
    p.start()
    p.join()
执行输出：{'count': }

修改字典的值

from multiprocessing import Manager,Process
def func(dic):
    dic['count'] = dic['count'] -
    print(dic)

if __name__ == '__main__':
    m = Manager()  # 创建一个server进程
    dic = m.dict({'count':})  #这是一个特殊的字典
    p = Process(target=func,args=[dic,])
    p.start()
    p.join()
输出：{'count': }

循环修改

from multiprocessing import Manager,Process
def func(dic):
    dic['count'] = dic['count'] -  # 每次减1

if __name__ == '__main__':
    m = Manager()  # 创建一个server进程
    dic = m.dict({'count':})  #这是一个特殊的字典
    p_lst = []  # 定义一个空列表
    for i in range():  # 启动100个进程
        p = Process(target=func,args=[dic,])
        p_lst.append(p)  # 进程追加到列表中
        p.start()  # 启动进程
    for p in p_lst:p.join()  # 等待100个进程全部结束
    print(dic)  # 打印dic的值
重复执行5次，输出

{'count': }或者{'count': }或者{'count': }

发现数据已经出现错乱了，为什么呢？因为同一个时间内有多个进程操作dic，就会发生数据错乱

为了解决这个问题，需要加锁

from multiprocessing import Manager,Process,Lock
def func(dic,lock):
    lock.acquire()  #取得锁
    dic['count'] = dic['count'] -  # 每次减1
    lock.release()  #释放锁

if __name__ == '__main__':
    m = Manager()  # 创建一个server进程
    lock = Lock()  #创建锁
    dic = m.dict({'count':})  #这是一个特殊的字典
    p_lst = []  # 定义一个空列表
    for i in range():  # 启动100个进程
        p = Process(target=func,args=[dic,lock])
        p_lst.append(p)  # 进程追加到列表中
        p.start()  # 启动进程
    for p in p_lst:p.join()  # 等待100个进程全部结束
    print(dic)  # 打印dic的值
重复执行5次，输出结果为：

{'count': }

另外一种写法，使用上下文管理

from multiprocessing import Manager,Process,Lock
def func(dic,lock):
    with lock:  # 上下文管理 ：必须有一个开始动作 和 一个结束动作的时候
        dic['count'] = dic['count'] -  # 每次减1

if __name__ == '__main__':
    m = Manager()  # 创建一个server进程
    lock = Lock()  #创建锁
    dic = m.dict({'count':})  #这是一个特殊的字典
    p_lst = []  # 定义一个空列表
    for i in range():  # 启动100个进程
        p = Process(target=func,args=[dic,lock])
        p_lst.append(p)  # 进程追加到列表中
        p.start()  # 启动进程
    for p in p_lst:p.join()  # 等待100个进程全部结束
    print(dic)  # 打印dic的值
重复执行，效果同上。

之前学到的文件管理，有用到上下文管理。这里也可以使用上下文管理。有2个必要条件

. 提供了with方法。

. 必须有一个开始和结束动作。

这里的开始和结束动作，分别指的是acquire和release

同一台机器上 ： 使用Queue
在不同台机器上 ：使用消息中间件

进程池和multiprocess.Pool模块

进程池

为什么要有进程池?进程池的概念。

在程序实际处理问题过程中，忙时会有成千上万的任务需要被执行，闲时可能只有零星任务。那么在成千上万个任务需要被执行的时候，我们就需要去创建成千上万个进程么？首先，创建进程需要消耗时间，销毁进程也需要消耗时间。第二即便开启了成千上万的进程，操作系统也不能让他们同时执行，这样反而会影响程序的效率。因此我们不能无限制的根据任务开启或者结束进程。那么我们要怎么做呢？

在这里，要给大家介绍一个进程池的概念，定义一个池子，在里面放上固定数量的进程，有需求来了，就拿一个池中的进程来处理任务，等到处理完毕，进程并不关闭，而是将进程再放回进程池中继续等待任务。如果有很多任务需要执行，池中的进程数量不够，任务就要等待之前的进程执行任务完毕归来，拿到空闲进程才能继续执行。也就是说，池中进程的数量是固定的，那么同一时间最多有固定数量的进程在运行。这样不会增加操作系统的调度难度，还节省了开闭进程的时间，也一定程度上能够实现并发效果。

multiprocess.Pool模块

概念介绍

Pool([numprocess  [,initializer [, initargs]]]):创建进程池

参数介绍

numprocess:要创建的进程数，如果省略，将默认使用cpu_count()的值
initializer：是每个工作进程启动时要执行的可调用对象，默认为None
initargs：是要传给initializer的参数组

p.apply(func [, args [, kwargs]]):在一个池工作进程中执行func(*args,**kwargs),然后返回结果。
'''需要强调的是：此操作并不会在所有池工作进程中并执行func函数。如果要通过不同参数并发地执行func函数，必须从不同线程调用p.apply()函数或者使用p.apply_async()'''

p.apply_async(func [, args [, kwargs]]):在一个池工作进程中执行func(*args,**kwargs),然后返回结果。
'''此方法的结果是AsyncResult类的实例，callback是可调用对象，接收输入参数。当func的结果变为可用时，将理解传递给callback。callback禁止执行任何阻塞操作，否则将接收其他异步操作中的结果。'''

p.close():关闭进程池，防止进一步操作。如果所有操作持续挂起，它们将在工作进程终止前完成

P.jion():等待所有工作进程退出。此方法只能在close（）或teminate()之后调用

主要方法

方法apply_async()和map_async（）的返回值是AsyncResul的实例obj。实例具有以下方法
obj.get():返回结果，如果有必要则等待结果到达。timeout是可选的。如果在指定时间内还没有到达，将引发一场。如果远程操作中引发了异常，它将在调用此方法时再次被引发。
obj.ready():如果调用完成，返回True
obj.successful():如果调用完成且没有引发异常，返回True，如果在结果就绪之前调用此方法，引发异常
obj.wait([timeout]):等待结果变为可用。
obj.terminate()：立即终止所有工作进程，同时不执行任何清理或结束任何挂起工作。如果p被垃圾回收，将自动调用此函数

其他方法

代码实例

import time
from multiprocessing import Pool
def fc(i):
    time.sleep(0.5)
    print('func%s'%i)

if __name__ == '__main__':
    p = Pool()
    p.apply(func=fc,args=(,))
执行输出：func1

import time
from multiprocessing import Pool
def fc(i):
    time.sleep(0.5)
    print('func%s'%i)

if __name__ == '__main__':
    p = Pool()
    for i in range():
        p.apply(func=fc,args=(,))  # 同步调用
        #ret = p.apply_async(func=fc, args=(,))  # 异步调用
执行输出：

func1
func1
func1
func1
func1

import time
import random
from multiprocessing import Pool
def fc(i):
    print('func%s' % i)
    time.sleep(random.randint(, ))
    return i ** 

if __name__ == '__main__':
    p = Pool() # 创建拥有5个进程数量的进程池
    ret_1 = []
    for i in range():
        #p.apply(func=fc,args=(,))  # 同步调用
        ret = p.apply_async(func=fc, args=(i,))  # 异步调用
        ret_1.append(ret)
    for ret in ret_1:print(ret.get())  # 打印返回结果
执行输出：

func0
func1
func2
func3
func4

后面的结果都是i的平方值

代码实例

import os,time
from multiprocessing import Pool

def work(n):
    print('%s run' %os.getpid())
    time.sleep()
    return n**

if __name__ == '__main__':
    p=Pool() #进程池中从无到有创建三个进程,以后一直是这三个进程在执行任务
    res_l=[]
    for i in range():
        res=p.apply(work,args=(i,)) # 同步调用，直到本次任务执行完毕拿到res，等待任务work执行的过程中可能有阻塞也可能没有阻塞
                                    # 但不管该任务是否存在阻塞，同步调用都会在原地等着
    print(res_l)

进程池同步调用

import os
import time
import random
from multiprocessing import Pool

def work(n):
    print('%s run' %os.getpid())
    time.sleep(random.random())
    return n**

if __name__ == '__main__':
    p=Pool() #进程池中从无到有创建三个进程,以后一直是这三个进程在执行任务
    res_l=[]
    for i in range():
        res=p.apply_async(work,args=(i,)) # 异步运行，根据进程池中有的进程数，每次最多3个子进程在异步执行
                                          # 返回结果之后，将结果放入列表，归还进程，之后再执行新的任务
                                          # 需要注意的是，进程池中的三个进程不会同时开启或者同时结束
                                          # 而是执行完一个就释放一个进程，这个进程就去接收新的任务。
        res_l.append(res)

    # 异步apply_async用法：如果使用异步提交的任务，主进程需要使用jion，等待进程池内任务都处理完，然后可以用get收集结果
    # 否则，主进程结束，进程池可能还没来得及执行，也就跟着一起结束了
    p.close()
    p.join()
    for res in res_l:
        print(res.get()) #使用get来获取apply_aync的结果,如果是apply,则没有get方法,因为apply是同步执行,立刻获取结果,也根本无需get

进程池的异步调用

信号量和进程池的区别：

回调函数 

需要回调函数的场景：进程池中任何一个任务一旦处理完了，就立即告知主进程：我好了额，你可以处理我的结果了。主进程则调用一个函数去处理该结果，该函数即回调函数

我们可以把耗时间（阻塞）的任务放到进程池中，然后指定回调函数（主进程负责执行），这样主进程在执行回调函数时就省去了I/O的过程，直接拿到的是任务的结果。