我们在使用Python时，会经常需要使用多进程/多线程的情况，以便提高程序的运行效率，尤其是跟网络进行交互，如使用爬虫时。下面我们将简单看下Python的进程池的创建，map()、apply_async()、apply()的使用。

Pool

　　可以创建一个进程池，里面是一些工作者进程(Workers)，向其提交任务。

创建

class multiprocessing.pool.Pool([processes[, initializer[, initargs[, maxtasksperchild[, context]]]]]

• processes：工作进程的数量，如果为None那么processes的值为os.cpu_count()返回的数量，即CPU的个数。
• initializer： 如果initializer是None，那么每一个工作进程在开始的时候会调用initializer(*initargs)。
• maxtasksperchild：工作进程退出之前可以完成的任务数，完成后用一个新的工作进程来替代原进程，来让闲置的资源被释放。maxtasksperchild默认是None，意味着只要Pool存在工作进程就会一直存活。
• context：用在制定工作进程启动时的上下文，一般使用 multiprocessing.Pool() 或者一个context对象的Pool()方法来创建一个池，两种方法都适当的设置了context。

成员函数

• apply_async(func[, args[, kwds[, callback]]]) 它是非阻塞。
• apply(func[, args[, kwds]])是阻塞的。
• close() 关闭pool，使其不在接受新的任务。
• terminate() 关闭pool，结束工作进程，不在处理未完成的任务。
• join() 主进程阻塞，等待子进程的退出， join方法要在close或terminate之后使用。

map

map(func, iterable[, chunksize])　　

　　这种方法将iterable对象分成一些块，作为单独的任务提交给进程池。 这些块的（近似）大小可以通过将chunksize设置为正整数来指定。

Sample:

#!/usr/bin/env python

# -*- coding:utf-8 -*-

from multiprocessing import Pool

import time

def test(i):

    print i

    time.sleep(1)

if __name__ == '__main__':

    list = [1,2,3,4,5,6,7,8,9]

    pool = Pool(processes=2)

    pool.map(test, list)

    pool.close()

    pool.join()

apply

apply(func[, args[, kwds]])

　　创建的进程会去执行func函数，并且传递参数args和关键字参数kwds，阻塞型，其实可以看成是单进程，一个执行完毕之后才会执行下一个。

Sample:

#!/usr/bin/env python

# -*- coding:utf-8 -*-

from multiprocessing import Pool

import time

def test(i):

    print i

    time.sleep(1)

if __name__ == '__main__':

    pool = Pool(processes=10)

    for i in range(1, 100, 1):

        # print i

        pool.apply(test, args=(i,))

    print 'test'

    pool.close()

    pool.join()

apply_async

apply_async(func[, args[, kwds[, callback[, error_callback]]]])

　　是上面介绍apply的非阻塞版/异步版。

Sample:

#!/usr/bin/env python

# -*- coding:utf-8 -*-

from multiprocessing import Pool

import time

def test(i):

    print i

    time.sleep(1)

if __name__ == '__main__':

    pool = Pool(processes=10)

    for i in range(1, 100, 1):

        # print i

        pool.apply_async(test, args=(i,))

    print 'test'

    pool.close()

    pool.join()

　　apply_async可能也是我们倾向于使用的，大家可以分别运行一下示例，对比看看它们之间的不同。

References:

　　【Multiprocessing系列】Pool

　　Python官方文档:Process Pools