如何在 Python 中使用 multiprocessing 实现进程间通信呢？

时间：2023-05-09 00:22

1、为什么要掌握进程间通信

python的多线程代码效率由于受制于GIL，不能利用多核CPU来加速，而多进程方式可以绕过GIL, 发挥多CPU加速的优势，能够明显提高程序的性能

但进程间通信却是不得不考虑的问题。进程不同于线程，进程有自己的独立内存空间，不能使用全局变量在进程间传递数据。

Python multiprocessing进程间通信方式如何实现

实际项目需求中，常常存在密集计算、或实时性任务，进程之间有时需要传递大量数据，如图片、大对象等，传递数据如果通过文件序列化、或网络接口来进行，难以满足实时性要求，采用redis，或者kaffka, rabbitMQ 之第3方消息队列包，又使系统复杂化了。

Python multiprocessing 模块本身就提供了消息机制、同步机制、共享内存等各种非常高效的进程间通信方式。

了解并掌握 python 进程间通信的各类方式的使用，以及安全机制，可以帮助大幅提升程序运行性能。

2、进程间各类通信方式简介

进程间通信的主要方式总结如下

Python multiprocessing进程间通信方式如何实现

关于进程间通信的内存安全
内存安全意味着，多进程间可能会因同抢，意外销毁等原因造成共享变量异常。
Multiprocessing 模块提供的Queue, Pipe, Lock, Event 对象，都已实现了进程间通信安全机制。
采用共享内存方式通信，需要在代码中自已来跟踪、销毁这些共享内存变量，否则可能会出同抢、未正常销毁等。造成系统异常。除非开发者很清楚共享内存使用特点，否则不建议直接使用此共享内存，而是通过Manager管理器来使用共享内存。

内存管理器Manager
Multiprocessing提供了内存管理器Manager类，可统一解决进程通信的内存安全问题，可以将各种共享数据加入管理器，包括 list, dict, Queue, Lock, Event, Shared Memory 等，由其统一跟踪与销毁。

3、消息机制通信

1) 管道 Pipe 通信方式

类似于1上简单的socket通道，双端均可收发消息。
Pipe 对象的构建方法：

parent_conn, child_conn = Pipe(duplex=True/False)

参数说明

duplex=True, 管道为双向通信
duplex=False, 管道为单向通信，只有child_conn可以发消息，parent_conn只能接收。

示例代码：

from multiprocessing import Process, Pipe   def myfunction(conn):      conn.send(['hi!! I am Python'])      conn.close()if __name__ == '__main__':      parent_conn, child_conn = Pipe()      p = Process(target=myfunction, args=(child_conn,))      p.start()  	print (parent_conn.recv() )	p.join()

2) 消息队列Queue 通信方式

Multiprocessing 的Queue 类，是在python queue 3.0版本上修改的，可以很容易实现生产者 – 消息者间传递数据，而且Multiprocessing的Queue 模块实现了lock安全机制。

Python multiprocessing进程间通信方式如何实现

Queue模块共提供了3种类型的队列。

(1) FIFO queue , 先进先出，

class queue.Queue(maxsize=0)

(2) LIFO queue, 后进先出，实际上就是堆栈

class queue.LifoQueue(maxsize=0)

(3) 带优先级队列，优先级最低entry value lowest 先了列

class queue.PriorityQueue(maxsize=0)

Multiprocessing.Queue类的主要方法：

method	Description
queue.qsize()	返回队列长度
queue.full()	队列满，返回 True, 否则返回False
queue.empty()	队列空，返回 True, 否则返回False
queue.put(item)	将数据写入队列
queue.get()	将数据抛出队列，
queue.put_nowait(item), queue.get_nowait()	无等待写入或抛出

说明：

put(), get() 是阻塞方法，而put_notwait(), get_nowait()是非阻塞方法。
Multiprocessing 的Queue类没有提供Task_done, join方法

Queue模块的其它队列类：
(1) SimpleQueue
简洁版的FIFO队列, 适事简单场景使用

(2) JoinableQueue子类
Python 3.5 后新增的 Queue的子类，拥有 task_done(), join() 方法

task_done()表示，最近读出的1个任务已经完成。
join()阻塞队列，直到queue中的所有任务都已完成。

producer – consumer 场景，使用Queue的示例

import multiprocessingdef producer(numbers, q):    for x in numbers:        if x % 2 == 0:            if q.full():                print("queue is full")                break            q.put(x)            print(f"put {x} in queue by producer")    return Nonedef consumer(q):    while not q.empty():        print(f"take data {q.get()} from queue by consumer")    return Noneif __name__ == "__main__":    # 设置1个queue对象，最大长度为5    qu = multiprocessing.Queue(maxsize=5,)     # 创建producer子进程，把queue做为其中1个参数传给它，该进程负责写    p5 = multiprocessing.Process(        name="producer-1",        target=producer,        args=([random.randint(1, 100) for i in range(0, 10)], qu)    )    p5.start()    p5.join()    #创建consumer子进程，把queue做为1个参数传给它，该进程中队列中读    p6 = multiprocessing.Process(        name="consumer-1",        target=consumer,        args=(qu,)    )    p6.start()    p6.join()    print(qu.qsize())

4、同步机制通信

(1) 进程间同步锁 – Lock

Multiprocessing也提供了与threading 类似的同步锁机制，确保某个时刻只有1个子进程可以访问某个资源或执行某项任务, 以避免同抢。

例如：多个子进程同时访问数据库表时，如果没有同步锁，用户A修改1条数据后，还未提交，此时，用户B也进行了修改，可以预见，用户A提交的将是B个修改的数据。

添加了同步锁，可以确保同时只有1个子进程能够进行写入数据库与提交操作。

如下面的示例，同时只有1个进程可以执行打印操作。

from multiprocessing import Process, Lockdef f(l, i):    l.acquire()    try:        print('hello world', i)    finally:        l.release()if __name__ == '__main__':    lock = Lock()    for num in range(10):        Process(target=f, args=(lock, num)).start()

(2) 子进程间协调机制 – Event

Event 机制的工作原理：

1个event 对象实例管理着1个 flag标记, 可以用set()方法将其置为true, 用clear()方法将其置为false, 使用wait()将阻塞当前子进程，直至flag被置为true.
这样由1个进程通过event flag 就可以控制、协调各子进程运行。

Event object的使用方法：
1）主函数：创建1个event 对象， flag = multiprocessing.Event() , 做为参数传给各子进程
2) 子进程A: 不受event影响,通过event 控制其它进程的运行
o 先clear()，将event 置为False, 占用运行权.
o 完成工作后，用set()把flag置为True。
3) 子进程B, C: 受event 影响
o 设置 wait() 状态，暂停运行
o 直到flag重新变为True，恢复运行

主要方法：

set(), clear()设置 True/False,
wait() 使进程等待，直到flag被改为true.
is_set()， Return True if and only if the internal flag is true.

验证进程间通信 – Event

import multiprocessingimport timeimport randomdef joo_a(q, ev):    print("subprocess joo_a start")    if not ev.is_set():        ev.wait()    q.put(random.randint(1, 100))    print("subprocess joo_a ended")def joo_b(q, ev):    print("subprocess joo_b start")    ev.clear()    time.sleep(2)    q.put(random.randint(200, 300))    ev.set()    print("subprocess joo_b ended")def main_event():    qu = multiprocessing.Queue()    ev = multiprocessing.Event()    sub_a = multiprocessing.Process(target=joo_a, args=(qu, ev))    sub_b = multiprocessing.Process(target=joo_b, args=(qu, ev,))    sub_a.start()    sub_b.start()    # ev.set()    sub_a.join()    sub_b.join()    while not qu.empty():        print(qu.get())if __name__ == "__main__":    main_event()

5、共享内存方式通信

(1) 共享变量

子进程之间共存内存变量，要用 multiprocessing.Value(), Array() 来定义变量。实际上是ctypes 类型，由multiprocessing.sharedctypes模块提供相关功能

注意使用 share memory 要考虑同抢等问题，释放等问题，需要手工实现。因此在使用共享变量时，建议使用Manager管程来管理这些共享变量。

def  func(num):    num.value=10.78   #子进程改变数值的值，主进程跟着改变 if  __name__=="__main__":num = multiprocessing.Value("d", 10.0) # d表示数值,主进程与子进程可共享这个变量。    p=multiprocessing.Process(target=func,args=(num,))    p.start()    p.join()     print(num.value)

进程之间共享数据(数组型)：

import multiprocessing def  func(num):    num[2]=9999   #子进程改变数组，主进程跟着改变 if  __name__=="__main__":    num=multiprocessing.Array("i",[1,2,3,4,5])       p=multiprocessing.Process(target=func,args=(num,))    p.start()     p.join()     print(num[:])

(2) 共享内存 Shared_memory

如果进程间需要共享对象数据，或共享内容，数据较大，multiprocessing 提供了SharedMemory类来实现进程间实时通信，不需要通过发消息，读写磁盘文件来实现，速度更快。
注意：直接使用SharedMemory 存在着同抢、泄露隐患，应通过SharedMemory Manager 管程类来使用, 以确保内存安全。

创建共享内存区：

multiprocessing.shared_memory.SharedMemory(name=none, create=False, size=0)

方法：
父进程创建shared_memory 后，子进程可以使用它，当不再需要后，使用close(), 删除使用unlink()方法
相关属性：
获取内存区内容： shm.buf
获取内存区名称： shm.name
获取内存区字节数: shm.size

示例：

>>> from multiprocessing import shared_memory>>> shm_a = shared_memory.SharedMemory(create=True, size=10)>>> type(shm_a.buf)<class 'memoryview'>>>> buffer = shm_a.buf>>> len(buffer)10>>> buffer[:4] = bytearray([22, 33, 44, 55])  # Modify multiple at once>>> buffer[4] = 100                           # Modify single byte at a time>>> # Attach to an existing shared memory block>>> shm_b = shared_memory.SharedMemory(shm_a.name)>>> import array>>> array.array('b', shm_b.buf[:5])  # Copy the data into a new array.arrayarray('b', [22, 33, 44, 55, 100])>>> shm_b.buf[:5] = b'howdy'  # Modify via shm_b using bytes>>> bytes(shm_a.buf[:5])      # Access via shm_ab'howdy'>>> shm_b.close()   # Close each SharedMemory instance>>> shm_a.close()>>> shm_a.unlink()  # Call unlink only once to release the shared memory

3） ShareableList 共享列表

sharedMemory类还提供了1个共享列表类型，这样就更方便了，进程间可以直接共享python强大的列表
构建方法：
multiprocessing.shared_memory.ShareableList(sequence=None, *, name=None)

from multiprocessing import shared_memory>>> a = shared_memory.ShareableList(['howdy', b'HoWdY', -273.154, 100, None, True, 42])>>> [ type(entry) for entry in a ][<class 'str'>, <class 'bytes'>, <class 'float'>, <class 'int'>, <class 'NoneType'>, <class 'bool'>, <class 'int'>]>>> a[2]-273.154>>> a[2] = -78.5>>> a[2]-78.5>>> a[2] = 'dry ice'  # Changing data types is supported as well>>> a[2]'dry ice'>>> a[2] = 'larger than previously allocated storage space'Traceback (most recent call last):  ...ValueError: exceeds available storage for existing str>>> a[2]'dry ice'>>> len(a)7>>> a.index(42)6>>> a.count(b'howdy')0>>> a.count(b'HoWdY')1>>> a.shm.close()>>> a.shm.unlink()>>> del a  # Use of a ShareableList after call to unlink() is unsupportedb = shared_memory.ShareableList(range(5))         # In a first process>>> c = shared_memory.ShareableList(name=b.shm.name)  # In a second process>>> cShareableList([0, 1, 2, 3, 4], name='...')>>> c[-1] = -999>>> b[-1]-999>>> b.shm.close()>>> c.shm.close()>>> c.shm.unlink()

6、共享内存管理器Manager

Multiprocessing 提供了 Manager 内存管理器类，当调用1个Manager实例对象的start()方法时，会创建1个manager进程，其唯一目的就是管理共享内存, 避免出现进程间共享数据不同步，内存泄露等现象。

其原理如下：

Python multiprocessing进程间通信方式如何实现

Manager管理器相当于提供了1个共享内存的服务，不仅可以被主进程创建的多个子进程使用，还可以被其它进程访问，甚至跨网络访问。本文仅聚焦于由单一主进程创建的各进程之间的通信。

1） Manager的主要数据结构

相关类：multiprocessing.Manager
子类有：

multiprocessing.managers.SharedMemoryManager
multiprocessing.managers.BaseManager

支持共享变量类型：

python基本类型 int, str, list, tuple, list
进程通信对象： Queue, Lock, Event,
Condition, Semaphore, Barrier ctypes类型: Value, Array

2）使用步骤

1）创建管理器对象

snm = Manager()snm = SharedMemoryManager()

2）创建共享内存变量
新建list, dict

sl = snm.list(), snm.dict()

新建1块bytes共享内存变量，需要指定大小

sx = snm.SharedMemory(size)

新建1个共享列表变量，可用列表来初始化

sl = snm.ShareableList(sequence) 如sl = smm.ShareableList([‘howdy', b'HoWdY', -273.154, 100, True])

新建1个queue, 使用multiprocessing 的Queue类型

snm = Manager()q = snm.Queue()

示例：

from multiprocessing import Process, Managerdef f(d, l):    d[1] = '1'    d['2'] = 2    d[0.25] = None    l.reverse()if __name__ == '__main__':    with Manager() as manager:        d = manager.dict()        l = manager.list(range(10))        p = Process(target=f, args=(d, l))        p.start()        p.join()        print(d)        print(l)

将打印

{0.25: None, 1: '1', '2': 2}
[9, 8, 7, 6, 5, 4, 3, 2, 1, 0]

3）销毁共享内存变量

方法一：
调用snm.shutdown()方法，会自动调用每个内存块的unlink()方法释放内存。或者 snm.close()
方法二：
使用with语句，结束后会自动释放所有manager变量

>>> with SharedMemoryManager() as smm:...     sl = smm.ShareableList(range(2000))...     # Divide the work among two processes, storing partial results in sl...     p1 = Process(target=do_work, args=(sl, 0, 1000))...     p2 = Process(target=do_work, args=(sl, 1000, 2000))...     p1.start()...     p2.start()  # A multiprocessing.Pool might be more efficient...     p1.join()...     p2.join()   # Wait for all work to complete in both processes...     total_result = sum(sl)  # Consolidate the partial results now in sl

4）向管理器注册自定义类型

managers的子类BaseManager提供register()方法，支持注册自定义数据类型。如下例，注册1个自定义MathsClass类，并生成实例。

from multiprocessing.managers import BaseManagerclass MathsClass:    def add(self, x, y):        return x + y    def mul(self, x, y):        return x * yclass MyManager(BaseManager):    passMyManager.register('Maths', MathsClass)if __name__ == '__main__':    with MyManager() as manager:        maths = manager.Maths()        print(maths.add(4, 3))         # prints 7        print(maths.mul(7, 8))

以上就是如何在 Python 中使用 multiprocessing 实现进程间通信呢？的详细内容，更多请关注Gxl网其它相关文章！