利用 Python 实现多任务进程

 更新时间:2021年10月14日 15:32:01   作者:阿拉斯加  
这篇文章主要介绍如何利用 Python 实现多任务进程,正在执行的程序,由程序、数据和进程控制块组成,是正在执行的程序,程序的一次执行过程,是资源调度的基本单位。下面就来详细介绍改内容,需要的朋友可以参考一下

一、进程介绍

进程:正在执行的程序,由程序、数据和进程控制块组成,是正在执行的程序,程序的一次执行过程,是资源调度的基本单位。

程序:没有执行的代码,是一个静态的。

二、线程和进程之间的对比

由图可知:此时电脑有 9 个应用进程,但是一个进程又会对应于多个线程,可以得出结论:

进程:能够完成多任务,一台电脑上可以同时运行多个 QQ

线程:能够完成多任务,一个 QQ 中的多个聊天窗口

根本区别:进程是操作系统资源分配的基本单位,而线程是任务调度和执行的基本单位.

三、使用多进程的优势

1、拥有独立GIL

首先由于进程中 GIL 的存在,Python 中的多线程并不能很好地发挥多核优势,一个进程中的多个线程,在同 一时刻只能有一个线程运行。而对于多进程来说,每个进程都有属于自己的 GIL,所以,在多核处理器下,多进程的运行是不会受 GIL的影响的。因此,多进 程能更好地发挥多核的优势。

2、效率高

当然,对于爬虫这种 IO 密集型任务来说,多线程和多进程影响差别并不大。对于计算密集型任务来说,Python 的多进程相比多线 程,其多核运行效率会有成倍的提升。

四、Python 实现多进程

我们先用一个实例来感受一下:

1、使用 process 类

import multiprocessing  
def process(index):  
    print(f'Process: {index}')  
if __name__ == '__main__':  
    for i in range(5):  
        p = multiprocessing.Process(target=process, args=(i,))  
        p.start()  


这是一个实现多进程最基础的方式:通过创建 Process 来新建一个子进程,其中 target 参数传入方法名,args 是方法的参数,是以 元组的形式传入,其和被调用的方法 process 的参数是一一对应的。

注意:这里 args 必须要是一个元组,如果只有一个参数,那也要在元组第一个元素后面加一个逗号,如果没有逗号则 和单个元素本身没有区别,无法构成元组,导致参数传递出现问题。创建完进程之后,我们通过调用 start 方法即可启动进程了。

运行结果如下:

Process: 0 
Process: 1 
Process: 2 
Process: 3 
Process: 4 

可以看到,我们运行了 5 个子进程,每个进程都调用了 process 方法。process 方法的 index 参数通过 Process args 传入,分别是 0~4 这 5 个序号,最后打印出来,5 个子进程运行结束。

2、继承 process 类

from multiprocessing import Process 
import time 
 
class MyProcess(Process): 
    def __init__(self,loop): 
        Process.__init__(self) 
        self.loop = loop 
 
 
    def run(self): 
        for count in range(self.loop): 
            time.sleep(1) 
            print(f'Pid:{self.pid} LoopCount: {count}') 
if __name__ == '__main__': 
    for i in range(2,5): 
        p = MyProcess(i) 
        p.start() 


我们首先声明了一个构造方法,这个方法接收一个 loop 参数,代表循环次数,并将其设置为全局变量。在 run方法中,又使用这 个 loop 变量循环了 loop 次并打印了当前的进程号和循环次数。

在调用时,我们用 range 方法得到了 2、3、4 三个数字,并把它们分别初始化了 MyProcess 进程,然后调用 start 方法将进程启动起 来。

注意:这里进程的执行逻辑需要在 run 方法中实现,启动进程需要调用 start 方法,调用之后 run 方法便会执行。

运行结果如下:

Pid:12976 LoopCount: 0
Pid:15012 LoopCount: 0
Pid:11976 LoopCount: 0
Pid:12976 LoopCount: 1
Pid:15012 LoopCount: 1
Pid:11976 LoopCount: 1
Pid:15012 LoopCount: 2
Pid:11976 LoopCount: 2
Pid:11976 LoopCount: 3

注意:这里的进程 pid 代表进程号,不同机器、不同时刻运行结果可能不同。

五、进程之间的通信

1、Queue-队列 先进先出

from multiprocessing import Queue 
import multiprocessing 
 
def download(p): # 下载数据 
    lst = [11,22,33,44] 
    for item in lst: 
        p.put(item) 
    print('数据已经下载成功....') 
 
 
def savedata(p): 
    lst = [] 
    while True: 
        data = p.get() 
        lst.append(data) 
        if p.empty(): 
            break 
    print(lst) 
 
def main(): 
    p1 = Queue() 
 
    t1 = multiprocessing.Process(target=download,args=(p1,)) 
    t2 = multiprocessing.Process(target=savedata,args=(p1,)) 
 
    t1.start() 
    t2.start() 
 
 
if __name__ == '__main__': 
    main() 
数据已经下载成功.... 
[11, 22, 33, 44] 

2、共享全局变量不适用于多进程编程

import multiprocessing 
 
a = 1 
 
 
def demo1(): 
    global a 
    a += 1 
 
 
def demo2(): 
    print(a) 
 
def main(): 
    t1 = multiprocessing.Process(target=demo1) 
    t2 = multiprocessing.Process(target=demo2) 
 
    t1.start() 
    t2.start() 
 
if __name__ == '__main__': 
    main() 

运行结果:

1

有结果可知:全局变量不共享;

六、进程池之间的通信

1、进程池引入

当需要创建的子进程数量不多时,可以直接利用 multiprocessing 中的 Process 动态生成多个进程,但是如果是上百甚至上千个目标,手动的去创建的进程的工作量巨大,此时就可以用到 multiprocessing 模块提供的 Pool 方法。

from multiprocessing import Pool 
import os,time,random 
 
def worker(a): 
    t_start = time.time() 
    print('%s开始执行,进程号为%d'%(a,os.getpid())) 
 
    time.sleep(random.random()*2) 
    t_stop = time.time() 
    print(a,"执行完成,耗时%0.2f"%(t_stop-t_start)) 
 
 
if __name__ == '__main__': 
    po = Pool(3)        # 定义一个进程池 
    for i in range(0,10): 
        po.apply_async(worker,(i,))    # 向进程池中添加worker的任务 
 
    print("--start--") 
    po.close()       
 
    po.join()        
    print("--end--") 

运行结果:

--start--
0开始执行,进程号为6664
1开始执行,进程号为4772
2开始执行,进程号为13256
0 执行完成,耗时0.18
3开始执行,进程号为6664
2 执行完成,耗时0.16
4开始执行,进程号为13256
1 执行完成,耗时0.67
5开始执行,进程号为4772
4 执行完成,耗时0.87
6开始执行,进程号为13256
3 执行完成,耗时1.59
7开始执行,进程号为6664
5 执行完成,耗时1.15
8开始执行,进程号为4772
7 执行完成,耗时0.40
9开始执行,进程号为6664
6 执行完成,耗时1.80
8 执行完成,耗时1.49
9 执行完成,耗时1.36
--end--

一个进程池只能容纳 3 个进程,执行完成才能添加新的任务,在不断的打开与释放的过程中循环往复。

七、案例:文件批量复制

操作思路:

  • 获取要复制文件夹的名字
  • 创建一个新的文件夹
  • 获取文件夹里面所有待复制的文件名
  • 创建进程池
  • 向进程池添加任务

代码如下:

导包

import multiprocessing 
import os 
import time 


定制文件复制函数

def copy_file(Q,oldfolderName,newfolderName,file_name): 
    # 文件复制,不需要返回 
    time.sleep(0.5) 
    # print('\r从%s文件夹复制到%s文件夹的%s文件'%(oldfolderName,newfolderName,file_name),end='') 
 
    old_file = open(oldfolderName + '/' + file_name,'rb') # 待复制文件 
    content = old_file.read() 
    old_file.close() 
 
    new_file = open(newfolderName + '/' + file_name,'wb') # 复制出的新文件 
    new_file.write(content) 
    new_file.close() 
 
    Q.put(file_name) # 向Q队列中添加文件 

定义主函数

def main(): 
    oldfolderName = input('请输入要复制的文件夹名字:') # 步骤1获取要复制文件夹的名字(可以手动创建,也可以通过代码创建,这里我们手动创建) 
    newfolderName = oldfolderName + '复件' 
    # 步骤二 创建一个新的文件夹 
    if not os.path.exists(newfolderName): 
        os.mkdir(newfolderName) 
 
    filenames = os.listdir(oldfolderName) # 3.获取文件夹里面所有待复制的文件名 
    # print(filenames) 
 
    pool = multiprocessing.Pool(5) # 4.创建进程池 
 
    Q = multiprocessing.Manager().Queue() # 创建队列,进行通信 
    for file_name in filenames: 
        pool.apply_async(copy_file,args=(Q,oldfolderName,newfolderName,file_name)) # 5.向进程池添加任务 
      po.close() 
 
    copy_file_num = 0 
    file_count = len(filenames) 
    # 不知道什么时候完成,所以定义一个死循环 
    while True: 
        file_name = Q.get() 
        copy_file_num += 1 
        time.sleep(0.2) 
        print('\r拷贝进度%.2f %%'%(copy_file_num  * 100/file_count),end='') # 做一个拷贝进度条 
 
        if copy_file_num >= file_count: 
            break 


程序运行

if __name__ == '__main__': 
    main() 


运行结果如下图所示:

运行前后文件目录结构对比

到此这篇关于利用 Python 实现多任务进程的文章就介绍到这了,更多相关 Python 实现多任务进程内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • R语言绘制条形图及分布密度图代码总结

    R语言绘制条形图及分布密度图代码总结

    这篇文章主要为大家介绍了R语言条形图及分布密度图代码总结,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪
    2022-05-05
  • 使用Python-OpenCV消除图像中孤立的小区域操作

    使用Python-OpenCV消除图像中孤立的小区域操作

    这篇文章主要介绍了使用Python-OpenCV消除图像中孤立的小区域操作,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2020-07-07
  • OpenCV实战之AI照片背景替换

    OpenCV实战之AI照片背景替换

    不少人在生活中都有抠人像图换背景的需求。本文将为大家介绍一个更快的方法,即利用OpenCV实现AI照片背景替换,感兴趣的小伙伴可以试一试
    2022-01-01
  • Python+Selenium实现表单自动填充和提交

    Python+Selenium实现表单自动填充和提交

    你是不是也厌倦了每天重复表单填写的工作,是时候让技术来帮助我们解放双手了,下面小编就为大家介绍一下如何使用Selenium和Python来自动填充和提交表单
    2023-09-09
  • pytorch 修改预训练model实例

    pytorch 修改预训练model实例

    今天小编就为大家分享一篇pytorch 修改预训练model实例,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2020-01-01
  • python神经网络TensorFlow简介常用基本操作教程

    python神经网络TensorFlow简介常用基本操作教程

    这篇文章主要介绍了python神经网络入门TensorFlow简介常用基本操作教程,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步
    2021-11-11
  • 解读python cvxpy下SDP问题编程

    解读python cvxpy下SDP问题编程

    这篇文章主要介绍了解读python cvxpy下SDP问题编程,具有很好的参考价值,希望对大家有所帮助。如有错误或未考虑完全的地方,望不吝赐教
    2022-12-12
  • Python元组之不可变序列的奥秘与应用方式

    Python元组之不可变序列的奥秘与应用方式

    这篇文章主要介绍了Python元组之不可变序列的奥秘与应用方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
    2024-06-06
  • python 布尔操作实现代码

    python 布尔操作实现代码

    python布尔操作也是我们经常写代码需要用到的,首先我们需要明白在python里面,哪些被解释器当做真,哪些当做假
    2013-03-03
  • 如何在Pycharm中制作自己的爬虫代码模板

    如何在Pycharm中制作自己的爬虫代码模板

    当有很多个个网站想要爬时,每个爬虫的代码不一样,但有某种联系,这个时候可以抽出一部分通用的代码制成模板,减少代码工作量。本文将具体介绍如何实现这一模板,需要的可以参考一下
    2021-12-12

最新评论