多进程4

本文使用multiprocessing中的Pool类来进行任务分配和保存返回值。

具体是使用Pool类的两个方法，分别是map方法和apply_async方法。

map方法

以下代码使用map方法:

import multiprocessing as mp


def job(a):
    return a * a

def by_multiprocess():
    pool1 = mp.Pool()
    res = pool1.map(job, range(10))
    print(res)

if __name__ == '__main__':
    by_multiprocess()

输出结果：

[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

此处我们把任务job和多个参数通过map放进一个Pool中，Pool自动把任务和参数分配给每个cpu去并行运行。

所有多线程和多进程1、2、3中的任务都没有返回值，而此处的任务有返回值，返回值存到了Pool中，便于取用。

apply_async方法

以下代码使用apply_async方法：

import multiprocessing as mp


def job(a):
    return a * a


def by_multiprocess():
    pool1 = mp.Pool()
    res = pool1.apply_async(job, (2,))
    print(res.get())


if __name__ == '__main__':
    by_multiprocess()

输出结果：

4

apply_async与map相比，有两点不同，一是返回值需要用get方法得到，二是每次调用这个方法只能返回1个值。第二点可以用循环弥补：

import multiprocessing as mp


def job(a):
    return a * a


def by_multiprocess():
    pool1 = mp.Pool()
    multi_res = [pool1.apply_async(job, (i,)) for i in range(10)]
    print([res.get() for res in multi_res])


if __name__ == '__main__':
    by_multiprocess()

输出结果：

[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

CPU表现

为了让多进程更直观，我们以map方法为例，在多进程运行时观察CPU的表现，代码：

import multiprocessing as mp

def job(a):
    b = 0
    for i in range(10000):
    	for j in range(10000):
            b += 1
    return a*a

def by_multiprocess():
    pool1 = mp.Pool()
    res = pool1.map(job,range(20))
    print('over')
    
if __name__ == '__main__':
    by_multiprocess()
    

CPU使用情况：

CPU使用情况在任务管理器→性能→打开资源监视器→CPU中。为了让结果明显，我们增加了额外的任务量。

本机有6核，表现为12个CPU，CPU0-CPU11。图中CPU0-CPU7包括图上没出现的其他CPU都出现了高使用率。因为这个代码把任务分配给了每个CPU。

如果只想使用少数CPU，可以设置Pool类属性processes=CPU数目，例如以下代码设置processes=3：

import multiprocessing as mp

def job(a):
    b = 0
    for i in range(10000):
    	for j in range(10000):
            b += 1
    return a*a

def by_multiprocess():
    pool1 = mp.Pool(processes = 3)
    res = pool1.map(job,range(20))
    print('over')
    
if __name__ == '__main__':
    by_multiprocess()
    

CPU使用情况：

虽然设置CPU数量=3，实际上用到了4个CPU，可能是创建进程也需要额外的CPU。