这篇文章主要介绍了Python进行分布式进程的方法，具有一定借鉴价值，需要的朋友可以参考下。希望大家阅读完这篇文章后大有收获。下面让小编带着大家一起了解一下。

分布式进程

在Thread和Process中，应当优选Process，因为Process更稳定，而且，Process可以分布到多台机器上，而Thread最多只能分布到同一台机器的多个CPU上。

Python的multiprocessing模块不但支持多进程，其中managers子模块还支持把多进程分布到多台机器上。一个服务进程可以作为调度者，将任务分布到其他多个进程中，依靠网络通信。由于managers模块封装很好，不必了解网络通信的细节，就可以很容易地编写分布式多进程程序。

举个例子：如果我们已经有一个通过Queue通信的多进程程序在同一台机器上运行，现在，由于处理任务的进程任务繁重，希望把发送任务的进程和处理任务的进程分布到两台机器上。怎么用分布式进程实现？

原有的Queue可以继续使用，但是，通过managers模块把Queue通过网络暴露出去，就可以让其他机器的进程访问Queue了。

我们先看服务进程，服务进程负责启动Queue，把Queue注册到网络上，然后往Queue里面写入任务：

#_*_coding:utf-8_*_importrandom,time,queuefrommultiprocessing.managersimportBaseManager#thequeueofsendtaskstask_queue=queue.Queue()#thequeueofrecivetasksresult_queue=queue.Queue()#congBaseManagerjichengdeQueueManagerclassQueueManager(BaseManager):pass#把两个Queue都注册到网络上,callable参数关联了Queue对象:QueueManager.register('get_task_queue',callable=lambda:task_queue)QueueManager.register('get_result_queue',callable=lambda:result_queue)#绑定端口5000,设置验证码'abc':manager=QueueManager(address=('',5000),authkey=b'abc')#启动Queuemanager.start()#获得通过网络访问的Queue对象task=manager.get_task_queue()result=manager.get_result_queue()#放几个任务进去foriinrange(10):n=random.randint(0,10000)print('Puttask%d...'%n)task.put(n)#从result队列读取结果:print('Trygetresults...')foriinrange(10):r=result.get(timeout=10)print('Result:%s'%r)#Closemanager.shutdown()print('masterexit.')

请注意，当我们在一台机器上写多进程程序时，创建的Queue可以直接拿来用，但是，在分布式多进程环境下，添加任务到Queue不可以直接对原始的task_queue进行操作，那样就绕过了QueueManager的封装，必须通过manager.get_task_queue()获得的Queue接口添加。

然后，在另一台机器上启动任务进程（本机上启动也可以）：

#task_worker.pyimporttime,sys,queuefrommultiprocessing.managersimportBaseManager#创建类似的QueueManager:classQueueManager(BaseManager):pass#由于这个QueueManager只从网络上获取Queue，所以注册时只提供名字:QueueManager.register('get_task_queue')QueueManager.register('get_result_queue')#连接到服务器，也就是运行task_master.py的机器:server_addr='127.0.0.1'print('Connecttoserver%s...'%server_addr)#端口和验证码注意保持与task_master.py设置的完全一致:m=QueueManager(address=(server_addr,5000),authkey=b'abc')#从网络连接:m.connect()#获取Queue的对象:task=m.get_task_queue()result=m.get_result_queue()#从task队列取任务,并把结果写入result队列:foriinrange(10):try:n=task.get(timeout=1)print('runtask%d*%d...'%(n,n))r='%d*%d=%d'%(n,n,n*n)time.sleep(1)result.put(r)exceptQueue.Empty:print('taskqueueisempty.')#处理结束:print('workerexit.')

任务进程要通过网络连接到服务进程，所以要指定服务进程的IP。

现在，可以试试分布式进程的工作效果了。先启动task_master.py服务进程：

$python3task_master.pyPuttask3411...Puttask1605...Puttask1398...Puttask4729...Puttask5300...Puttask7471...Puttask68...Puttask4219...Puttask339...Puttask7866...Trygetresults...

task_master.py进程发送完任务后，开始等待result队列的结果。现在启动task_worker.py进程：

$python3task_worker.pyConnecttoserver127.0.0.1...runtask3411*3411...runtask1605*1605...runtask1398*1398...runtask4729*4729...runtask5300*5300...runtask7471*7471...runtask68*68...runtask4219*4219...runtask339*339...runtask7866*7866...workerexit.

task_worker.py进程结束，在task_master.py进程中会继续打印出结果：

Result:3411*3411=11634921Result:1605*1605=2576025Result:1398*1398=1954404Result:4729*4729=22363441Result:5300*5300=28090000Result:7471*7471=55815841Result:68*68=4624Result:4219*4219=17799961Result:339*339=114921Result:7866*7866=61873956

这个简单的Master/Worker模型有什么用？其实这就是一个简单但真正的分布式计算，把代码稍加改造，启动多个worker，就可以把任务分布到几台甚至几十台机器上，比如把计算n*n的代码换成发送邮件，就实现了邮件队列的异步发送。

Queue对象存储在哪？注意到task_worker.py中根本没有创建Queue的代码，所以，Queue对象存储在task_master.py进程中。

而Queue之所以能通过网络访问，就是通过QueueManager实现的。由于QueueManager管理的不止一个Queue，所以，要给每个Queue的网络调用接口起个名字，比如get_task_queue。

authkey有什么用？这是为了保证两台机器正常通信，不被其他机器恶意干扰。如果task_worker.py的authkey和task_master.py的authkey不一致，肯定连接不上。

Python的分布式进程接口简单，封装良好，适合需要把繁重任务分布到多台机器的环境下。

注意Queue的作用是用来传递任务和接收结果，每个任务的描述数据量要尽量小。比如发送一个处理日志文件的任务，就不要发送几百兆的日志文件本身，而是发送日志文件存放的完整路径，由Worker进程再去共享的磁盘上读取文件。

感谢你能够认真阅读完这篇文章，希望小编分享Python进行分布式进程的方法内容对大家有帮助，同时也希望大家多多支持亿速云，关注亿速云行业资讯频道，遇到问题就找亿速云，详细的解决方法等着你来学习!