Python学习之多进程变成
之前的Python编程任务中一般都是单线程进行的，因为大多数属于CPU密集型，多线程或多进程对程序性能的提升不大；但最近有几个网络密集型的任务，单线程的版本明显太慢，不得已，开始学习Python的多进程编程。
正文：
参考解答：
1.创建进程池Pool
multiprocessing 是 Python 的多进程并行库，我使用进程池 multiprocessing.Pool 来自动管理进程任务。可以通过一下语句初始化 Pool：
multiprocessing.freeze_support() # Windows 平台要加上这句，避免 RuntimeError
pool = multiprocessing.Pool()
假设我们要并行执行的任务是以下函数：
def task(pid):
# do something
return result
然后在主函数调用：
results = []
for i in xrange( 0 , 4 ):
result = pool.apply_async(task, args=(i,)) #这行i后面的逗号是不能省略的，否则不会执行task方法
results.append(result)
上面的 pool.apply_async 采用异步方式调用 task，而 pool.apply 则是同步方式调用。同步方式意味着下一个 task需要等待上一个 task 完成后才能开始运行，这显然不是我们想要的功能，所以采用异步方式连续地提交任务。在上面的语句中，我们提交了 4 个任务，假设我的 CPU 是 4 核，那么我的每个核运行一个任务。如果我提交多于 4 个任务，那么每个核就需要同时运行 2 个以上的任务，这会带来任务切换成本，降低了效率（Pool进程池可以提供指定数量的进程供用户调用，当有新的请求提交到Pool中时，如果进程池还没有满，那么就会创建一个新的进程用来执行该请求；但如果池中的进程数已经达到规定最大值，那么该请求就会等待，直到池中有进程结束，才会创建新的进程来处理它）。所以我们设置的并行任务数最好等于 CPU 核心数， CPU 核可以通过下面语句得到：
cpus = multiprocessing.cpu_count()
接下来我们使用 result.get() 来获取 task 的返回值：
for result in results:
print(result.get())
在这里不免有人要疑问，为什么不直接在 for 循环中直接 result.get() 呢？这是因为pool.apply_async之后的语句都是阻塞执行的，调用 result.get() 会等待上一个任务执行完之后才会分配下一个任务。事实上，获取返回值的过程最好放在进程池回收之后进行，避免阻塞后面的语句。
最后我们使用一下语句回收进程池：
pool.close() #调用join函数之前，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。
pool.join() #调用join函数阻塞主进程等待所有子进程结束
最后附上完整的代码如下：
def task(pid):
# do something
return result
def main():
multiprocessing.freeze_support()
pool = multiprocessing.Pool()
cpus = multiprocessing.cpu_count()
results = []
for i in xrange( 0 , cpus):
result = pool.apply_async(task, args=(i,))
results.append(result)
pool.close()
pool.join()
for result in results:
print(result.get())
2、使用进程池Pool，不需要关注结果
import multiprocessing
import time
#只是简单的print和sleep，并不需要返回什么结果/内容
def func(msg):
for i in xrange( 3 ):
print msg
time.sleep( 1 )
if __name__ == "__main__" :
pool = multiprocessing.Pool(processes= 4 )
for i in xrange( 10 ):
msg = "hello %d" %(i)
pool.apply_async(func, (msg, ))
pool.close()
pool.join()
print "Sub-process(es) done."
3、使用进程池Pool，并需要关注结果（通过callback的方式）
import multiprocessing as mp
import time
def foo_pool(x):
time.sleep( 2 )
return x*x
result_list = []
def log_result(result):
# This is called whenever foo_pool(i) returns a result.
# result_list is modified only by the main process, not the pool workers.
result_list.append(result)
def apply_async_with_callback():
pool = mp.Pool()
for i in range( 10 ):
pool.apply_async(foo_pool, args = (i, ), callback = log_result)
pool.close()
pool.join()
print(result_list)
if __name__ == '__main__' :
apply_async_with_callback()
来源：ASPIRE