python使用multiprocessing的详细方法

更新时间：2024年03月13日 14:25:34 作者：fakerth

multiprocessing是Python标准库中的一个模块,用于实现多进程编程,它提供了一种简单而高效的方式来利用多核处理器的能力,通过在多个进程中同时执行任务,加快程序的执行速度和提高系统的吞吐量,这篇文章主要介绍了python使用multiprocessing,需要的朋友可以参考下

multiprocessing

multiprocessing是Python标准库中的一个模块，用于实现多进程编程。它提供了一种简单而高效的方式来利用多核处理器的能力，通过在多个进程中同时执行任务，加快程序的执行速度和提高系统的吞吐量。

下面是使用multiprocessing模块的一些常见操作：

创建进程：

使用Process类创建进程对象，指定要执行的函数或方法。
使用Process类的start()方法启动进程。

进程间通信：
- 使用Queue类实现进程间的队列通信。
- 使用Pipe类实现进程间的管道通信。
- 使用共享内存（Value和Array）实现进程间的数据共享。
进程管理：
- 使用Process类的join()方法等待进程结束。
- 使用Process类的terminate()方法终止进程。

process

multiprocessing.Process(group=None, target=None, name=None, args=(), kwargs={}, *, daemon=None)

参数介绍：

group默认为None（目前未使用）
target代表调用对象，即子进程执行的任务
name为进程名称
args调用对象的位置参数元组，args=(value1, value2, …)
kwargs调用对象的字典，kwargs={key1:value1, key2:value2, …}
daemon表示进程是否为守护进程，布尔值

方法介绍：

Process.start() 启动进程，并调用子进程中的run()方法
Process.run() 进程启动时运行的方法，在自定义时必须要实现该方法
Process.terminate() 强制终止进程，不进行清理操作，如果Process创建了子进程，会导致该进程变成僵尸进程
Process.join() 阻塞进程使主进程等待该进程终止
Process.kill() 与terminate()相同
Process.is_alive() 判断进程是否还存活，如果存活，返回True
Process.close() 关闭进程对象，并清理资源，如果进程仍在运行则返回错误

multiprocessing.Queue()

multiprocessing.Queue()是multiprocessing模块中的一个类，用于实现进程间通信的队列（Queue）。它提供了一种安全的方式，让多个进程之间可以共享数据。multiprocessing.Queue()类的主要特点包括：

安全性：multiprocessing.Queue()是线程安全的，可以在多个进程中同时使用，而无需担心数据竞争或不一致性问题。
先进先出（FIFO）：它遵循先进先出的原则，保证了添加到队列中的元素按照添加的顺序被取出。
阻塞操作：当队列为空时，使用get()方法从队列中获取元素会阻塞进程，直到队列中有可用的元素。当队列满时，使用put()方法向队列中添加元素会阻塞进程，直到队列有空闲空间。

import multiprocessing
def worker(queue):
    data = queue.get()  # 从队列中获取数据
    # 处理数据
if __name__ == '__main__':
    queue = multiprocessing.Queue()
    process = multiprocessing.Process(target=worker, args=(queue,))
    process.start()
    queue.put(data)  # 向队列中添加数据
    process.join()

在上面的示例中，首先创建了一个multiprocessing.Queue()对象，然后将该队列对象作为参数传递给子进程的worker()函数。在子进程中，使用get()方法从队列中获取数据进行处理。在主进程中，使用put()方法向队列中添加数据。通过使用multiprocessing.Queue()，可以让多个进程之间安全地传递数据，实现进程间的通信和协作。这对于并行计算、任务分发和处理等场景非常有用。

拿之前的点点带宽举例

七个节点不重复取两个，C72也就是21组，即21次循环，每次循环sleep5秒，串行就是21x5=105秒，21个线程并行5秒。

import multiprocessing
import time
import random
def get_oobw_parallel(node_names):
    results = []
    for i in range(0, len(node_names) - 1):
        for j in range(i + 1, len(node_names)):
            result = get_oobw(node_names[i], node_names[j])
            results.append(result)
    return results
def get_oobw(node_name1, node_name2):
    # 执行 get_oobw 的逻辑
    # ...
    time.sleep(5)
    latency, bandwidth = round(random.uniform(100.0, 200.0), 4), round(random.uniform(100.0, 200.0), 4)
    result = (node_name1, node_name2, latency, bandwidth)
    return result
start_time = time.time()
node_names = ["cn1", "cn2", "cn3", "cn4", "cn5", "cn6", "cn7"]  # 填入你的节点名称列表
results = get_oobw_parallel(node_names)
for result in results:
    node_name1, node_name2, latency, bandwidth = result
    print(node_name1, node_name2, latency, bandwidth)
end_time = time.time()
# 计算执行时间
execution_time = end_time - start_time
print("程序执行时间：", execution_time, "秒")

import multiprocessing
import time
import random
def get_oobw_parallel(node_names):
    results = []
    processes = []
    result_queue = multiprocessing.Queue()
    for i in range(0, len(node_names) - 1):
        for j in range(i + 1, len(node_names)):
            process = multiprocessing.Process(target=get_oobw, args=(node_names[i], node_names[j], result_queue))
            process.start()
            processes.append(process)
    for process in processes:
        process.join()
    while not result_queue.empty():
        result = result_queue.get()
        results.append(result)
    return results
def get_oobw(node_name1, node_name2, result_queue):
    # 执行 get_oobw 的逻辑
    # ...
    time.sleep(5)
    latency, bandwidth = round(random.uniform(100.0, 200.0), 4), round(random.uniform(100.0, 200.0), 4)
    result = (node_name1, node_name2, latency, bandwidth)
    result_queue.put(result)
    # return latency, bandwidth
start_time = time.time()
node_names = ["cn1", "cn2", "cn3", "cn4", "cn5", "cn6", "cn7"]  # 填入你的节点名称列表
results = get_oobw_parallel(node_names)
for result in results:
    node_name1, node_name2, latency, bandwidth = result
    print(node_name1, node_name2, latency, bandwidth)
end_time = time.time()
# 计算执行时间
execution_time = end_time - start_time
print("程序执行时间：", execution_time, "秒")

到此这篇关于python使用multiprocessing的文章就介绍到这了,更多相关python使用multiprocessing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！

您可能感兴趣的文章:

深入了解Python Opencv数据增强
常见的数据增强操作有：按比例放大或缩小图片、旋转、平移、水平翻转、改变图像通道等。本文将通过Python OpenCV实现这些操作，需要的可以参考一下
2022-02-02
Python合并Excel表(多sheet)的实现
这篇文章主要介绍了Python合并Excel表(多sheet)的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2021-04-04
PyCharm出现Error:Python packaging tool 'setuptools&apo
这篇文章主要给大家介绍了关于PyCharm出现Error:Python packaging tool 'setuptools' not found的解决办法,文中通过图文及代码介绍的非常详细,需要的朋友可以参考下
2023-12-12
Python yield的用法实例分析
这篇文章主要介绍了Python yield的用法,结合实例形式分析了Python yield的基本功能、使用方法及操作注意事项,需要的朋友可以参考下
2020-03-03
Python HTML解析模块HTMLParser用法分析【爬虫工具】
这篇文章主要介绍了Python HTML解析模块HTMLParser用法,结合实例形式分析了HTMLParser模块功能、常用函数及作为爬虫工具相关使用技巧,需要的朋友可以参考下
2019-04-04
值得收藏的10道python 面试题
本文给大家分享值得收藏的10道python 面试题,非常不错，具有一定收藏价值，需要的朋友可以参考下
2019-04-04
python中的多进程的创建与启动方式
这篇文章主要介绍了python中的多进程的创建与启动,python中的并发有三种形式，多进程、多线程、协程，执⾏并发任务的⽬的是为了提⾼程序运⾏的效率，本文通过实例代码详细讲解需要的朋友可以参考下
2022-12-12
浅谈Python数学建模之整数规划
整数规划并不一定是线性规划问题的变量取整限制，对于二次规划、非线性规划问题也有变量取整限制而引出的整数规划。但在数学建模问题中所说的整数规划，通常是指整数线性规划。整数规划与线性规划的差别只是变量的整数约束。选择简单通用的编程方案，让求解器去处理吧
2021-06-06
python numpy中对ndarry按照index增删改查
这篇文章主要介绍了python numpy中对ndarry按照index增删改查，在numpy中的ndarry是一个数组，因此index就是位置下标，注意下标是从0开始，接下来一起进入下面文章了解详细内容吧
2022-02-02
pandas数据处理之标签列字符转数字的实现
这篇文章主要介绍了pandas数据处理之标签列字符转数字的实现方式，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
2021-03-03