一、为什么要有进程池?
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（空间，变量，文件信息等等的内容）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，维护一个很大的进程列表的同时，调度的时候，还需要进行切换并且记录每个进程的执行节点，也就是记录上下文（各种变量等等乱七八糟的东西，虽然你看不到，但是操作系统都要做），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。就看我们上面的一些代码例子，你会发现有些程序是不是执行的时候比较慢才出结果，就是这个原因，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
二、multiprocess.Pool模块
2.1 模块使用
Pool([numprocess [,initializer [, initargs]]]): # 创建进程池
创建进程池的类：如果指定numprocess为3，则进程池会从无到有创建三个进程，然后自始至终使用这三个进程去执行所有任务（高级一些的进程池可以根据你的并发量，搞成动态增加或减少进程池中的进程数量的操作），不会开启其他进程，提高操作系统效率，减少空间的占用等。
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
主要方法：
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
其他方法(了解)：
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
2.2 进程池的简单应用
进程池与多进程的效率对比：
import time
from multiprocessing import Pool, Process
# 针对range(100)这种参数的
def func(n):
for i in range(3):
print(n + 1)
def func(n):
print(n)
# 结果：
# (1, 2)
# alex
def func2(n):
for i in range(3):
print(n - 1)
if __name__ == '__main__':
# 1.进程池的模式
s1 = time.time() # 我们计算一下开多进程和进程池的执行效率
poll = Pool(5) # 创建含有5个进程的进程池
# poll.map(func,range(100)) #异步调用进程，开启100个任务,map自带join的功能
poll.map(func, [(1, 2), 'alex']) # 异步调用进程，开启100个任务,map自带join的功能
poll.map(func2, range(100)) # 如果想让进程池完成不同的任务，可以直接这样搞
# map只限于接收一个可迭代的数据类型参数，列表啊，元祖啊等等，如果想做其他的参数之类的操作，需要用后面我们要学的方法。
t1 = time.time() - s1
# 2.多进程的模式
s2 = time.time()
p_list = []
for i in range(100):
p = Process(target=func, args=(i,))
p_list.append(p)
p.start()
[pp.join() for pp in p_list]
t2 = time.time() - s2
print('t1>>', t1) # 结果：0.034856319427490234 进程池的效率高
print('t2>>', t2) # 结果：0.38016200065612793
有一点，map是异步执行的，并且自带close和join。
一般约定俗成的是进程池中的进程数量为CPU的数量，工作中要看具体情况来考量。
2.3 同步与异步
进程池的同步调用：
import os, time
from multiprocessing import Pool
def work(n):
print('%s run' % os.getpid())
time.sleep(1)
return n ** 2
if __name__ == '__main__':
p = Pool(3) # 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(10):
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
res_l.append(res)
print(res_l)
进程池的异步调用：
import os
import time
import random
from multiprocessing import Pool
def work(n):
print('%s run' %os.getpid())
time.sleep(random.random())
return n**2
if __name__ == '__main__':
p=Pool(3) #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(10):
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，并且可以执行不同的任务，传送任意的参数了。
# 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join，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() #不是关闭进程池，而是结束进程池接收任务，确保没有新任务再提交过来。
p.join() #感知进程池中的任务已经执行结束，只有当没有新的任务添加进来的时候，才能感知到任务结束了，所以在join之前必须加上close方法
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
详解：apply_async和apply：
一：使用进程池（异步调用apply_async）
from multiprocessing import Process, Pool
import time
def func(msg):
print("msg:", msg)
time.sleep(1)
return msg
if __name__ == "__main__":
pool = Pool(processes=3)
res_l = []
for i in range(10):
msg = "hello %d" % (i)
res = pool.apply_async(func, (msg,)) # 维持执行的进程总数为processes，当一个进程执行完毕后会添加新的进程进去
res_l.append(res)
# s = res.get() #如果直接用res这个结果对象调用get方法获取结果的话，这个程序就变成了同步，因为get方法直接就在这里等着你创建的进程的结果，第一个进程创建了，并且去执行了，那么get就会等着第一个进程的结果，没有结果就一直等着，那么主进程的for循环是无法继续的，所以你会发现变成了同步的效果
print("==============================>") # 没有后面的join，或get，则程序整体结束，进程池中的任务还没来得及全部执行完也都跟着主进程一起结束了
pool.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
pool.join() # 调用join之前，先调用close函数，否则会出错。执行完close后不会有新的进程加入到pool,join函数等待所有子进程结束
print(
res_l) # 看到的是<multiprocessing.pool.ApplyResult object at 0x10357c4e0>对象组成的列表,而非最终的结果,但这一步是在join后执行的,证明结果已经计算完毕,剩下的事情就是调用每个对象下的get方法去获取结果
for i in res_l:
print(i.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
二：使用进程池（同步调用apply）
from multiprocessing import Process, Pool
import time
def func(msg):
print("msg:", msg)
time.sleep(0.1)
return msg
if __name__ == "__main__":
pool = Pool(processes=3)
res_l = []
for i in range(10):
msg = "hello %d" % (i)
res = pool.apply(func, (msg,)) # 维持执行的进程总数为processes，当一个进程执行完毕后会添加新的进程进去
res_l.append(res) # 同步执行，即执行完一个拿到结果，再去执行另外一个
print("==============================>")
pool.close()
pool.join() # 调用join之前，先调用close函数，否则会出错。执行完close后不会有新的进程加入到pool,join函数等待所有子进程结束
print(res_l) # 看到的就是最终的结果组成的列表
for i in res_l: # apply是同步的，所以直接得到结果，没有get()方法
print(i)
2.4 进程池版的socket并发聊天
server端：tcp_server.py
# Pool内的进程数默认是cpu核数，假设为4（查看方法os.cpu_count()）
# 开启6个客户端，会发现2个客户端处于等待状态
# 在每个进程内查看pid，会发现pid使用为4个，即多个客户端公用4个进程
from socket import *
from multiprocessing import Pool
import os
server = socket(AF_INET, SOCK_STREAM)
server.setsockopt(SOL_SOCKET, SO_REUSEADDR, 1)
server.bind(('127.0.0.1', 8080))
server.listen(5)
def talk(conn):
print('进程pid: %s' % os.getpid())
while True:
try:
msg = conn.recv(1024)
if not msg: break
conn.send(msg.upper())
except Exception:
break
if __name__ == '__main__':
p = Pool(4)
while True:
conn, *_ = server.accept()
p.apply_async(talk, args=(conn,))
# p.apply(talk,args=(conn,client_addr)) #同步的话，则同一时间只有一个客户端能访问
client端：tcp_client.py
from socket import *
client = socket(AF_INET, SOCK_STREAM)
client.connect(('127.0.0.1', 8080))
while True:
msg = input('>>: ').strip()
if not msg: continue
client.send(msg.encode('utf-8'))
msg = client.recv(1024)
print(msg.decode('utf-8'))
发现：并发开启多个客户端，服务端同一时间只有4个不同的pid，只能结束一个客户端，另外一个客户端才会进来.
同时最多和4个人进行聊天，因为进程池中只有4个进程可供调用，那如果，我们这么多人想同时聊天怎么办，又不让用多进程，进程池也不能开太多的进程，那咋整啊，后面我们会学到多线程，到时候大家就知道了
2.5 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，这是进程池特有的，普通进程没有这个机制，但是我们也可以通过进程通信来拿到返回值，进程池的这个回调也是进程通信的机制完成的。
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。
回调函数的简单使用：
import os
from multiprocessing import Pool
def func1(n):
print('func1>>', os.getpid())
print('func1')
return n * n
def func2(nn):
print('func2>>', os.getpid())
print('func2')
print(nn)
# import time
# time.sleep(0.5)
if __name__ == '__main__':
print('主进程：', os.getpid())
p = Pool(5)
# args里面的10给了func1，func1的返回值作为回调函数的参数给了callback对应的函数，不能直接给回调函数直接传参数，他只能是你任务函数func1的函数的返回值
# for i in range(10,20): #如果是多个进程来执行任务，那么当所有子进程将结果给了回调函数之后，回调函数又是在主进程上执行的，那么就会出现打印结果是同步的效果。我们上面func2里面注销的时间模块打开看看
# p.apply_async(func1,args=(i,),callback=func2)
p.apply_async(func1, args=(10,), callback=func2)
p.close()
p.join()
# 结果
# 主进程： 11852 #发现回调函数是在主进程中完成的，其实如果是在子进程中完成的，那我们直接将代码写在子进程的任务函数func1里面就行了，对不对，这也是为什么称为回调函数的原因。
# func1>> 17332
# func1
# func2>> 11852
# func2
# 100
回调函数在写的时候注意一点，回调函数的形参执行有一个，如果你的执行函数有多个返回值，那么也可以被回调函数的这一个形参接收，接收的是一个元祖，包含着你执行函数的所有返回值。
注意：如果在主进程中等待进程池中所有任务都执行完毕后，再统一处理结果，则无需回调函数:
from multiprocessing import Pool
import time, random, os
def work(n):
time.sleep(1)
return n ** 2
if __name__ == '__main__':
p = Pool()
res_l = []
for i in range(10):
res = p.apply_async(work, args=(i,))
res_l.append(res)
p.close()
p.join() # 等待进程池中所有进程执行完毕
nums = []
for res in res_l:
nums.append(res.get()) # 拿到所有结果
print(nums) # 主进程拿到所有的处理结果,可以在主进程中进行统一进行处理
2.6 使用进程池进行爬虫
使用进程池来搞爬虫的时候，最耗时间的是请求地址的网络请求延迟，那么如果我们在将处理数据的操作加到每个子进程中，那么所有在进程池后面排队的进程就需要等更长的时间才能获取进程池里面的执行进程来执行自己，所以一般我们就将请求作成一个执行函数，通过进程池去异步执行，剩下的数据处理的内容放到另外一个进程或者主进程中去执行，将网络延迟的时间也利用起来，效率更高。
爬虫相关的requests模块简单使用：
import requests
response = requests.get('http://www.baidu.com')
print(response)
print(response.status_code) # 200正常，404找不到网页，503等5开头的是人家网站内部错误
print(response.content.decode('utf-8'))
requests这个模块的get方法请求页面，就和我们在浏览器上输入一个网址然后回车去请求别人的网站的效果是一样的。
使用多进程请求多个url来减少网络等待浪费的时间
from multiprocessing import Pool
import requests
import json
import os
def get_page(url):
print('<进程%s> get %s' % (os.getpid(), url))
respone = requests.get(url)
if respone.status_code == 200:
return {'url': url, 'text': respone.text}
def pasrse_page(res):
print('<进程%s> parse %s' % (os.getpid(), res['url']))
parse_res = 'url:<%s> size:[%s]\n' % (res['url'], len(res['text']))
with open('db.txt', 'a') as f:
f.write(parse_res)
if __name__ == '__main__':
urls = [
'https://www.baidu.com',
'https://www.python.org',
'https://www.openstack.org',
'https://help.github.com/',
'http://www.sina.com.cn/'
]
p = Pool(3)
res_l = []
for url in urls:
res = p.apply_async(get_page, args=(url,), callback=pasrse_page)
res_l.append(res)
p.close()
p.join()
# print([res.get() for res in res_l]) # 拿到的是get_page的结果,其实完全没必要拿该结果,该结果已经传给回调函数处理了
# 打印结果：
<进程89815> get https://www.baidu.com
<进程89816> get https://www.python.org
<进程89817> get https://www.openstack.org
<进程89815> get https://help.github.com/
<进程89814> parse https://www.baidu.com
<进程89816> get http://www.sina.com.cn/
<进程89814> parse https://www.python.org
<进程89814> parse http://www.sina.com.cn/
<进程89814> parse https://www.openstack.org
<进程89814> parse https://help.github.com/
爬虫示例
from multiprocessing import Pool
import time, random
import requests
import re
def get_page(url, pattern):
response = requests.get(url)
if response.status_code == 200:
return (response.text, pattern)
def parse_page(info):
page_content, pattern = info
res = re.findall(pattern, page_content)
for item in res:
dic = {
'index': item[0],
'title': item[1],
'actor': item[2].strip()[3:],
'time': item[3][5:],
'score': item[4] + item[5]
}
print(dic)
if __name__ == '__main__':
pattern1 = re.compile(
r'<dd>.*?board-index.*?>(\d+)<.*?title="(.*?)".*?star.*?>(.*?)<.*?releasetime.*?>(.*?)<.*?integer.*?>(.*?)<.*?fraction.*?>(.*?)<',
re.S)
url_dic = {
'http://maoyan.com/board/7': pattern1,
}
p = Pool()
res_l = []
for url, pattern in url_dic.items():
res = p.apply_async(get_page, args=(url, pattern), callback=parse_page)
res_l.append(res)
for i in res_l:
i.get()
# res=requests.get('http://maoyan.com/board/7')
# print(re.findall(pattern,res.text))
# 打印结果：#2019-4-15
{'index': '1', 'title': '波西米亚狂想曲', 'actor': '拉米·马雷克,本·哈迪,约瑟夫·梅泽罗', 'time': '2019-03-22', 'score': '9.5'}
{'index': '2', 'title': '绿皮书', 'actor': '维果·莫腾森,马赫沙拉·阿里,琳达·卡德里尼', 'time': '2019-03-01', 'score': '9.5'}
{'index': '3', 'title': '老师·好', 'actor': '于谦,汤梦佳,王广源', 'time': '2019-03-22', 'score': '9.3'}
{'index': '4', 'title': '调音师', 'actor': '阿尤斯曼·库拉纳,塔布,拉迪卡·艾普特', 'time': '2019-04-03', 'score': '9.2'}
{'index': '5', 'title': '我的英雄学院：两位英雄', 'actor': '山下大辉,三宅健太,志田未来', 'time': '2019-03-15', 'score': '9.2'}
{'index': '6', 'title': '反贪风暴4', 'actor': '古天乐,郑嘉颖,林峯', 'time': '2019-04-04', 'score': '9.1'}
{'index': '7', 'title': '祈祷落幕时', 'actor': '阿部宽,松岛菜菜子,沟端淳平', 'time': '2019-04-12', 'score': '9.1'}
{'index': '8', 'title': '小飞象', 'actor': '科林·法瑞尔,迈克尔·基顿,丹尼·德维托', 'time': '2019-03-29', 'score': '9.0'}
{'index': '9', 'title': '驯龙高手3', 'actor': '杰伊·巴鲁切尔,刘昊然,亚美莉卡·费雷拉', 'time': '2019-03-01', 'score': '9.0'}
{'index': '10', 'title': '阿丽塔：战斗天使', 'actor': '罗莎·萨拉查,克里斯托弗·沃尔兹,基恩·约翰逊', 'time': '2019-02-22', 'score': '9.0'}
2.7 进程池和信号量的区别
进程池是多个需要被执行的任务在进程池外面排队等待获取进程对象去执行自己，而信号量是一堆进程等待着去执行一段逻辑代码。
信号量不能控制创建多少个进程，但是可以控制同时多少个进程能够执行，但是进程池能控制你可以创建多少个进程。
举例：就像那些开大车拉煤的，信号量是什么呢，就好比我只有五个车道，你每次只能过5辆车，但是不影响你创建100辆车，但是进程池相当于什么呢？相当于你只有5辆车，每次5个车拉东西，拉完你再把车放回来，给别的人拉煤用。
其他语言里面有更高级的进程池，在设置的时候，可以将进程池中的进程动态的创建出来，当需求增大的时候，就会自动在进程池中添加进程，需求小的时候，自动减少进程，并且可以设置进程数量的上线，最多为多，python里面没有。
进程池的其他实现方式：https://docs.python.org/dev/library/concurrent.futures.html