目录
写在最前面，说实话python多进程这块儿知识对于很少使用python多进程或者没有实际使用过多python进程解决问题的人来说，还是有一定难度的。本人也是很少接触多进程的场景，对于python多进程的使用也是比较陌生的。在接触了一些多进程的业务场景下，对python多进程的使用进行了学习，觉得很有必要进行一个梳理总结。
一、python多进程及通信基本用法
python中多进程及其通信，是比较重要的一块儿内容，作为python程序员，这块儿内容要基本掌握。
1、多进程的基本实现
python多进程的使用一般是调用multiprocessing包中的Process和Pool(进程池)，其中Process的用法又有多种，基本函数
p.start()启动一个已经初始化的进程
p.join()让进程运行完了以后，主进程再执行
a、Process重写run方法
MultiOneProcess类继承了multiprocessing的Process类，然后重写它的run方法，实现具体业务逻辑功能；主程序启动10个进程。
from multiprocessing import Process
count = 0
class MultiOneProcess(Process):
def __init__(self,name):
super().__init__()
self.name = name
def run(self) -> None:
global count
count += 1
print('process name %s is running----count:%d'%(self.name, count))
if __name__ == '__main__':
p_list = []
for i in range(10):
name = 'process_%d'%i
p = MultiOneProcess(name = name)
p.start()
p_list.append(p)
for p in p_list:
p.join()
print('this main process')
b、使用Process和target方法
定义一个进程类继承Process类，同时在super()初始化中传入target函数
from multiprocessing import Process
count = 0
class MultiTwoProcess(Process):
def __init__(self,name):
super().__init__(target=self.do_fun)
self.name = name
def do_fun(self):
global count
count += 1
print('process name %s is running----count:%d' % (name, count))
if __name__ == '__main__':
p_list = []
for i in range(10):
name = 'process_%d'%i
p = MultiTwoProcess(name)
p.start()
p_list.append(p)
for p in p_list:
p.join()
print('this main process')代码中定义了一个类MultiTwoProcess类，类中定义了do_fun函数，把它作为参数传入到target中。
c、直接使用Process类
传入target函数，同时传入args参数，注意args参数是一个元组，切不能省略最后一个逗号
from multiprocessing import Process
count = 0
def do_fun(name):
global count
count += 1
print('process name %s is running----count:%d' % (name, count))
if __name__ == '__main__':
p_list = []
for i in range(10):
name = 'process_%d'%i
p = Process(target=do_fun,args=(name,))
p.start()
p_list.append(p)
for p in p_list:
p.join()
print('this main process')
以上三者运行的结果，是一样的，如下：
2、多进程的通信
进程之间的通信一般都采用Queue和pipe，区别是：pipe只能在两个进程之间调用，而Queue是可以多个进程间调用的；效率上pipe效率更高，Queue是基于pipe实现的，效率比pipe要低一点。
a、Queue
常用API，
存放数据
queue.put(obj, block=True, timeout=None)
当block=False的时候，如果Queue已经满了，那么就会跑出Queue.Full异常；
当block=True且timeout有正值的时候，Queue已经满了，Queue会阻塞timeout时间，超出时间就会抛出同样的异常
获取数据
queue.get(block=True, timeout=None)
当block=False的时候，如果Queue为空，那么就会跑出Queue.Empty异常；
当block=True且timeout有正值的时候，Queue已经为空，Queue会阻塞timeout时间，超出时间就会抛出同样的异常
以上2个API是阻塞；还有两个非堵塞的API
queue.put(obj, block=False) 和 queue.put_nowait(obj)等效
queue.get(block=False) 和 queue.get_nowait()等效
简单的实现，一个进程发送数据，另外2个进程接收数据，就可以使用queue通信
from multiprocessing import Process, Queue
def send(q):
while True:
q.put('发送一个数据')
def receive1(q):
while True:
s = q.get()
print('receive1:', s)
def receive2(q):
while True:
s = q.get()
print('receive2:', s)
if __name__ == '__main__':
q = Queue()
p1 = Process(target=send,args=(q,))
p2 = Process(target=receive1,args=(q,))
p3 = Process(target=receive2,args=(q,))
p1.start()
p2.start()
p3.start()p1进程不断的往q中存放数据；p2和p3不停的从q中取数据(有竞争的再取)，所以打印结果是无序的
b、Pipe
Pipe(duplex=True)返回2个连通端(p1,p2)；当duplex=True时，双向通信，p1发送，p2接收；p2发送，p1接收。
当duplex=True时，单向通信，p1只能发送，p2只能接收。
常用API， pipe.send() pipe.recv()
from multiprocessing import Process, Pipe
def fun2(p):
while True:
s = p.recv()
print('接收一个数据：',s)
def fun1(p):
while True:
print('发送一个数据：pipe')
p.send('pipe')
if __name__ == '__main__':
pi1,pi2 = Pipe(duplex=True)
p1 = Process(target=fun1,args=(pi1,))
p2 = Process(target=fun2,args=(pi2,))
p1.start()
p2.start()结果如下：
二、python多进程实战
不同的业务场景使用多进程的方式和复杂度也不相同，就我遇见过的一些场景进行演示和说明。
1、使用进程池快速抽取数据
场景描述：有1000个Excel文件的数据需要进行抽取和清洗，要把不符合我们需求的数据过滤掉，保留质量很高的数据；每个Excel都有几十万或者上百万的数据，那么怎么快速的完成这个任务呢？
首先整体上而言，可以把单个Excel的处理并行起来；那么可以使用多进程，其次这个需要返回结果，要保留合格的数据，比较简单的就是采用进程池了，它能够很方便的把进程处理的结果进行返回，并且返回的还是一个生成器；如果还需要更快，那么可以把单个Excel中的每条数据的处理并行起来。代码层面上，采用pool进程池来完成这个任务(本文没有对进程池的使用和API做说明)，具体的实现方式采取pool.imap()
if __name__ == '__main__':
#所有Excel的路径
all_paths = glob('../data/original_data/*')
sysInfo_list = ['我通过了好友请求，现在你俩可以开始聊天了', '我通过了你的朋友验证请求，现在我们可以开始聊天了', '已通过你的朋友验证请求，现在可以开始聊天了', '不支持此消息，请在手机上查看',
'微信红包']
interval = 25
if len(all_paths)//interval * interval < len(all_paths):
k = len(all_paths)//interval + 1
else:
k = len(all_paths) // interval
#分段处理，每段25个Excel
for i in range(k):
paths = all_paths[i*interval:(i+1)*interval]
if i*interval >= 100 and i*interval < 200:
params = []
for path in tqdm(paths):
params.append((path, sysInfo_list))
#多进程处理——进程池、以及进度显示
with Pool(20) as p:
res = list(tqdm(p.imap(extract_data, params), total=len(params), desc='extract_data'))
all_df = []
for dfs in res:
if len(dfs) > 0:
all_df.extend(dfs)
df = pd.concat(all_df, axis=0)
save_path = '../data/weikong_clean_data_'+str(i*interval)+'_'+str(i*interval+len(paths)-1)+'.xlsx'
writer = pd.ExcelWriter(save_path)
df.to_excel(writer, index=False)
writer.save()
writer.close()
2、多进程及通信完成数据清洗和保存
场景描述：从Excel中读取数据，数据格式是整通整通的对话，每通对话有一定的轮数；保存数据到2个txt中，一个是顺序保留，一个是倒序保留；整体对话顺序不变，每通对话内部顺序倒序。
正序：
倒序：
要想实现这样的任务，粗暴的做法是，用两个list，一个保留正序的，一个保留倒序的，然后分别对这两个list进行文件写入操作。但是如果数据量很多在内存有限的时候，只能满足不了两个list的情况下怎么实现呢？
我的实现方式就是开启两个进程，一个进程保留一个正序list，写入文件的同时对每个元素(每通)对话进行倒序，然后把倒序后的数据通过Queue或者Pipe传入到另外一个进程，让另外的进程进行写文件操作。
def save_mmi_train_data(queue):
with open('../data/finetune_mmi_data/train.txt','w',encoding='utf-8') as f:
while True:
save_list = queue.get()
if len(save_list) == 0:
break
for line in save_list:
f.write(line)
def save_mmi_val_data(queue):
with open('../data/finetune_mmi_data/val.txt','w',encoding='utf-8') as f:
while True:
save_list = queue.get()
if len(save_list) == 0:
break
for line in save_list:
f.write(line)
def get_funtine_data(paths):
all_groups = []
for path in tqdm(paths,desc='load data from excle'):
df = pd.read_excel(path)
df.dropna(inplace=True)
df.drop_duplicates(inplace=True, keep='first')
groups = list(df.groupby(by=['坐席id', '客户微信id']))
all_groups.extend(groups)
print('len(all_groups)',len(all_groups))
train, val = train_test_split(all_groups,test_size=10000/len(all_groups),random_state=1)
print('len(train)', len(train))
print('len(val)', len(val))
train_std_path = '../data/finetune_std_data/train.txt'
val_std_path = '../data/finetune_std_data/val.txt'
train_mmi_queue = Queue()
save_funtine_data(train, train_std_path,train_mmi_queue,save_mmi_train_data)
val_mmi_queue = Queue()
save_funtine_data(val, val_std_path, val_mmi_queue, save_mmi_val_data)
def save_funtine_data(groups,save_std_path,queue,fun):
p = Process(target=fun,args=(queue,))
p.start()
with open(save_std_path,'w', encoding='utf-8') as f:
for group in tqdm(groups, desc='find and save funtine dialogue datas'):
new_df = group[1]
df_roles = new_df['是否客服'].values.tolist()
df_contents = new_df['消息内容'].values.tolist()
roles = []
contents = []
for role,content in zip(df_roles,df_contents):
content = content.replace('\n', '')
content = emoji.replace_emoji(content, '')
if len(content) > 0 and content != "":
roles.append(role)
contents.append(content)
save_list = []
save_str = ""
for index, role in enumerate(roles):
content = contents[index].replace('\n','')
content = emoji.replace_emoji(content, '')
if content[-1] not in punctuations:
content += '；'
if index == 0:
if role == "是":
save_str += "坐席："+content
else:
save_str += "客户："+content
else:
if role != roles[index-1]:
f.write(save_str[0:-1]+'\n')
save_list.append(save_str[0:-1]+'\n')
if role == "是":
save_str = "坐席：" + content
else:
save_str = "客户：" + content
else:
save_str += content
if len(save_str) > 1:
save_list.append(save_str[0:-1] + '\n')
f.write(save_str[0:-1]+'\n')
f.write('\n')
# 切片反转
save_list = save_list[::-1]
save_list.append('\n')
if len(save_list) > 0:
queue.put(save_list)
#注意传入一个空值，让倒序进程结束
queue.put([])
p.join()要注意的是，倒序进程中使用while True 无限循环，需要传入一个空值，能够让它在正序进程结束的同时知道数据写完了，跳出循环。以上代码比较简单就不一一说明了。
3、多进程及通信实现异步任务需求
场景描述：假定一个模型推理系统，网络模块负责接受请求传输的数据，把数据传输给数据处理模块；数据处理模块负责处理数据(比如说语音流或者视频流等，这些数据处理对CPU的消耗很大)，处理完后把数据传输给模型推理模块；模型推理模块负责对数据进行推理并把结果返回给网络模块。要求就是网络模块、数据处理模块和模型推理模块是独立的，可以并行的完成自己的任务，3个模块是异步的，其实可以把这个系统简化的使用多进程来实现。
每个模块可以用一个进程来表示，内部的逻辑可以开启子进程来实现，然后模块直接的数据传输就可以使用多进程的通信来实现，同时也创建一个全局的Queue变量，让每个模块的进程按需使用。
画了一个简单的结构和流程图，如下：
注意的是模块之间的数据传输，使用queue传输的时候，数据量越小，效率越高，所以可以在网络模块这端提前把数据进行处理。
函数入口文件
import a
import b
import c
from whole_queue import WholeQueue
import os
if __name__ == '__main__':
print("main process:",os.getpid())
whole_queue = WholeQueue()
b_pool_size = 2
c_pool_size = 6
Module_list = [
a.A(whole_queue,b_pool_size),
b.B(whole_queue,b_pool_size,c_pool_size),
c.C(whole_queue,c_pool_size)
]
for p in Module_list:
p.start()公共队列类
class WholeQueue():
def __init__(self):
self.queues = dict()
def register(self,queuename,queue):
self.queues[queuename] = queue各个子模块类
a
from multiprocessing import Process,Queue
import time
import random
import os
class A(Process):
def __init__(self,whole_queue,b_pool_size):
super().__init__(target=self.do_run)
self.whole_queue = whole_queue
self.b_pool_size = b_pool_size
self.queue_list = []
queue = Queue()
self.whole_queue.register('A', queue)
self.queue_list.append(queue)
self.count = 0
def do_run(self):
print("A.do_run process:", os.getpid())
a_send_pro = Process(target = self.send)
a_send_pro.start()
a_receive_pro = Process(target = self.receive)
a_receive_pro.start()
def send(self):
print("A.send process:", os.getpid())
while True:
time.sleep(0.001)
self.whole_queue.queues['B_%d'%(self.count%self.b_pool_size)].put_nowait(self.count)
self.count += 1
def receive(self):
print("A.receive process:", os.getpid())
while True:
rece = self.whole_queue.queues['A'].get()
print(rece)
b
from multiprocessing import Process,Queue
import time
import random
import os
class B(Process):
def __init__(self,whole_queue,b_pool_size,c_pool_size):
super().__init__(target=self.do_run)
self.whole_queue = whole_queue
self.b_pool_size = b_pool_size
self.c_pool_size = c_pool_size
self.queue_list = []
for i in range(self.b_pool_size):
queue = Queue()
self.whole_queue.register('B_%d'% i , queue)
self.queue_list.append(queue)
self.count = 0
def do_run(self):
print("B.do_run process:", os.getpid())
for i in range(self.b_pool_size):
p = Process(target=self.component,args=(self.queue_list[i],))
p.start()
def component(self, queue):
print("B.component process:", os.getpid())
while True:
time.sleep(0.01)
info = queue.get()
componext_info = 'component_' + str(info)
self.whole_queue.queues['C_%d'%(info%self.c_pool_size)].put(componext_info)
c
from multiprocessing import Process,Queue
from model import Model
import time
import random
import os
class C(Process):
def __init__(self,whole_queue,c_pool_size):
super().__init__(target=self.do_run)
self.whole_queue = whole_queue
self.c_pool_size = c_pool_size
self.queue_list = []
for i in range(self.c_pool_size):
queue = Queue()
self.whole_queue.register('C_%d'% i , queue)
self.queue_list.append(queue)
# self.cache_queue = None
# self.result_queue = None
# self.infer_queue = None
def do_run(self):
cache_queue = Queue()
result_queue = Queue()
infer_queue = Queue()
print("C.do_run process:", os.getpid())
for i in range(self.c_pool_size):
p = Process(target=self.receive,args=(self.queue_list[i], cache_queue,))
p.start()
cache_p = Process(target=self.cache,args=(cache_queue, infer_queue,))
cache_p.start()
predict_p = Process(target=self.predict,args=(infer_queue, result_queue))
predict_p.start()
while True:
res = result_queue.get()
for ele in res:
self.whole_queue.queues['A'].put(ele)
def receive(self, queue,cache_queue):
print("C.receive process:", os.getpid())
while True:
info = queue.get()
receive_info = 'receive_' + info
cache_queue.put(receive_info)
def cache(self,cache_queue, infer_queue):
timeLast = time.time()
print("C.cache process:", os.getpid())
caches = []
while True:
data = cache_queue.get()
caches.append(data)
if len(caches) > 128 or time.time() - timeLast > 1:
timeLast = time.time()
infer_queue.put(caches)
caches = []
def predict(self,infer_queue, result_queue):
print("C.predict process:", os.getpid())
# 模型必须在这里初始化
model = Model()
while True:
data = infer_queue.get()
result = model(data)
result = [ 'modelpredict_' + ele for ele in result]
time.sleep(random.uniform(0.1,0.5))
result_queue.put(result)代码比较好理解，需要注意的是子进程在使用变量的时候，例如初始后的模型，应该要每一个子进程独立的进行初始化，不然会报错，就是C类中模型初始化不能在init中初始后，然后传入到每个子进程中去——而应该在每个子进程中初始化。