进程： 进程就是一个程序在一个数据集上的一次动态执行过程。进程一般由程序、数据、进程控制块（pcb）三部分组成。
（1）我们编写的程序用来描述进程要完成哪些功能以及如何完成；
（2）数据则是程序在执行过程中所需要使用的资源；
（3）进程控制块用来记录进程的所有信息。系统可以利用它来控制和管理进程，它是系统感知进程存在的唯一标志。

新创建的进程在内存独立开辟一块空间，不与其他进程共享空间、数据。
同一个进程中，新创建的线程与此进程里其他线程共享空间、数据。

os模块的三个方法：
os.fork()创建一个当前进程的子进程
os.getpid()获取当前进程pid
os.getppid()获取当前进程的父进程的Pid
关于fork():
它用来创建一个进程，即为当前进程的子进程，复制父进程的所有代码并从fork语句处开始运行。运行父进程还是子进程的取决于当前os调度策略。
在父进程中返回子进程的pid，在子进程中返回0。即返回0表示在子进程中运行，返回大与0的数表示在父进程中运行。

例子：

import osprint('当前进程：',os.getpid())print('当前进程的父进程：',os.getppid())pid = os.fork()if pid == 0: print('此时为子进程：',os.getpid(),'\n其父进程：',os.getppid())else: print('父进程：',os.getpid(),'\nos.fork的返回值pid：',pid)

运行结果：

当前进程： 16839当前进程的父进程： 2912父进程： 16839 os.fork的返回值pid： 16842此时为子进程： 16842 其父进程： 16839

从运行结果中看，在linux中fork产生子进程后是先运行父进程，当父进程结束后再进入子进程运行。

直接通过实例化进程类multiprocessing.Process创建新进程。
和线程类一样，进程类也有start()方法，join()方法。调用对象的start()方法实例上也是调用的类中的run()方法。

# 导入进程模块import multiprocessingimport osdef job(ss): print(ss,'当前子进程：%s' %os.getpid())#实例化进程类，并提交任务，传入任务所需要的参数p1 = multiprocessing.Process(target=job,args=('abc',))p1.start()p2 = multiprocessing.Process(target=job,args=('123',))p2.start()# 和线程一样，进程也有join方法。p1.join()p2.join()print('完成......')

运行结果：

abc 当前子进程：17234123 当前子进程：17235完成......3.继承进程类来自定义进程类

继承python提供的进程类，重写方法，创建自己所需要的进程类，再实例化自定义的进程类。

import multiprocessingclass Job(multiprocessing.Process): #重写构造方法 def __init__(self,cc): super(Job, self).__init__() self.cc = cc #重写run方法，和线程一样 def run(self): print(self.cc)#实例化对象if __name__ == "__main__": pp = [] for i in range(10): p = Job(str(i)+':123456') pp.append(p) p.start() for p in pp: p.join() print('hahhahaha')

运行结果：

0:1234561:1234562:1234563:1234564:1234565:1234566:1234567:1234568:1234569:123456hahhahaha3.多进程与多线程的对比

import threadingimport multiprocessingfrom timeit import timeitclass Jobthread(threading.Thread): def __init__(self,li): super(Jobthread,self).__init__() self.li = li def run(self): sum(self.li)class Jobprocess(multiprocessing.Process): def __init__(self,li): super(Jobprocess, self).__init__() self.li = li def run(self): for i in self.li: sum(i)# 这个装饰器是自己写的，用来计算某个函数执行时间@timeitdef use_Pro(list): for i in range(0,len(list), 1000): p = Jobprocess(list[i:i+1000]) p.start()@timeitdef use_Thr(list): for li in list: t = Jobthread(li) t.startif __name__ == "__main__": list = [[1,2,3,4,5,6],[2,3,4,5,6,7],[3,4,5,6,7,8],[4,5,6,7,8,9]]*1000 use_Pro(list) use_Thr(list)

运行结果：

use_Pro运行时间0.0041866302490234375use_Thr运行时间0.02240157127380371

正如看到的结果一样，多进程适合计算密集型任务，多线程适合i/o密集型任务。

和线程类似，进程类也有一个daemon属性，默认值为False。
当改变他的值为True时，当主进程结束，就会强行终止其他的所以进程。
实例：
（1）第一个程序

import multiprocessingimport timedef job(): print('开始子进程') time.sleep(3) print('子进程结束')if __name__ == "__main__": p = multiprocessing.Process(target=job) p.start() print("程序结束......")

运行结果：

程序结束......开始子进程子进程结束

主进程结束，其他进程还在继续执行。
（2）第二个程序

import multiprocessingimport timedef job(): print('开始子进程') time.sleep(3) print('子进程结束')if __name__ == "__main__": p = multiprocessing.Process(target=job) p.daemon = True p.start() print("程序结束......")

运行结果：

程序结束......

当主进程结束，其他进程将会被强制终止结束。

import multiprocessingimport timedef job(): print('开始子进程') time.sleep(3) print('子进程结束')if __name__ == "__main__": p = multiprocessing.Process(target=job) p.daemon = True print(p.is_alive()) #启动进程之前查看进程状态 p.start() print(p.is_alive()) #启动进程之后查看进程状态 p.terminate() #终止进程 print(p.is_alive()) #终止进程命令一发出后，查看进程状态。此时进程在释放过程中，还没有被完全释放。 p.join() #先让进程完全释放 print(p.is_alive()) #最后查看进程状态 print("程序结束......")

运行结果：

FalseTrueTrueFalse程序结束......4.进程间通信

"""通过队列实现进程间通信，队列充当消息管道的作用（类似生产者消费者模型）这里通信一直存在，也就是这两个进程会一直存在，没有销毁释放。"""import multiprocessingfrom multiprocessing import Queueimport timeclass Put_news(multiprocessing.Process): def __init__(self,queue): super(Put_news, self).__init__() self.queue = queue def run(self): for i in range(100): self.queue.put(i) print("传递消息：%s" %i) time.sleep(0.1)class Get_news(multiprocessing.Process): def __init__(self,queue): super(Get_news, self).__init__() self.queue = queue def run(self): while True: time.sleep(0.11) print("接收消息++++++++++++：%s" %(self.queue.get()))if __name__ == "__main__": q = Queue() p = Put_news(q) g = Get_news(q) p.start() g.start() if not p.is_alive(): g.terminate()

运行结果：

任务需要处理的数据特别大, 希望多台主机共同处理任务。multiprocessing.managers子模块里面可以实现将进程分布到多台机器上
（管理端主机要运算一些列任务，通过与其他主机建立“连接“，将任务分配给其他主机执行，并将执行结果返回给管理端主机。）
管理端主机代码：

import randomfrom queue import Queuefrom multiprocessing.managers import BaseManager# 1.创建队列（发送任务的队列，收取结果的队列）task_queue = Queue()result_queue = Queue()# 第二三步骤可以互换顺序# 2.将队列注册到网络（这样其他主机可以通过网络接收任务，发送结果）# 注册的队列（任务队列，结果队列）的唯一标识码分别为'put_task_queue'，'get_result_queue'BaseManager.register('put_task_queue',callable=lambda :task_queue)BaseManager.register('get_result_queue',callable=lambda : result_queue)# 3.绑定端口(3333)，设定密码(hahahaha)manager = BaseManager(address=('172.25.254.158',3333),authkey=b'hahahaha')# 4.启动manager，开始共享队列manager.start()# 5.通过网络访问共享的队列task = manager.put_task_queue()result = manager.get_result_queue()# 6.向任务队列中放入执行任务的数据，这里放入100个任务for i in range(100): n = random.randint(10,500) task.put(n) print('任务列表加入数据：'+str(n))# 7.从结果队列中读取各个主机的任务执行结果for j in range(100): res = result.get() print('执行结果：'+str(res))# 8.任务执行结束，关闭共享队列manager.shutdown()

运算主机代码：

"""在各个工作主机上执行的代码相同"""from multiprocessing.managers import BaseManager# 1. 连接manager端，获取共享的队列import timeworker = BaseManager(address=('172.25.254.158',3333),authkey=b'hahahaha')# 2.注册队列，去获取网络上共享的队列中的内容BaseManager.register('put_task_queue')BaseManager.register('get_result_queue')# 3.连接网络worker.connect()# 4.通过网络访问共享的队列task = worker.put_task_queue()result = worker.get_result_queue()# 5.读取任务，处理任务,这里读取了50个任务进行处理# 每台运算主机上的处理任务数量可以不同，不过为了避免修改代码，一般都相同。for i in range(50): n = task.get() print('执行任务 %d**2 = '%(n)) res = '%d**2=%d' %(n,n**2) #这里设置执行的任务是求平方 result.put(res) #将结果放入结果队列 time.sleep(1) #休息1秒print('工作主机执行任务结束.....')6.进程池

和线程一样，进程也有进程池。
1.第一种方法

import multiprocessingimport timedef job(id): print('start id ---> %d' %id) print('end id ----> %d' %id) time.sleep(3)# 创建含有8个进程的进程池pool = multiprocessing.Pool(8)# 给进城池的进程分配任务for i in range(12): pool.apply_async(job,args=(i,))# 关闭进程池，使进程池不再工作运行pool.close()# 等待所有子进程结束之后再开始主进程pool.join()print('all works completed!')

运行结果：

start id ---> 0end id ----> 0start id ---> 1end id ----> 1start id ---> 2end id ----> 2start id ---> 3end id ----> 3start id ---> 4end id ----> 4start id ---> 5end id ----> 5start id ---> 6end id ----> 6start id ---> 7end id ----> 7start id ---> 8end id ----> 8start id ---> 9end id ----> 9start id ---> 10end id ----> 10start id ---> 11end id ----> 11all works completed!

2.第二种方法

from concurrent.futures import ProcessPoolExecutorimport timedef job(id): print('start id ---> %d' %id) print('end id ----> %d' %id) time.sleep(3)# 创建含有2个进程的进程池pool = ProcessPoolExecutor(max_workers=2)# 给进程池的进程分配任务，submit方法返回一个_base.Future对象f1 = pool.submit(job,1)f2 = pool.submit(job,2)f3 = pool.submit(job,3)f4 = pool.submit(job,4)# 执行f1对象的各种方法f1.done()f1.result()

运行结果：

start id ---> 1end id ----> 1start id ---> 2end id ----> 2start id ---> 3end id ----> 3start id ---> 4end id ----> 4

3.第三种方法

from concurrent.futures import ProcessPoolExecutorimport timedef job(id): print('start id ---> %d' %id) print('end id ----> %d' %id) time.sleep(1)pool = ProcessPoolExecutor(max_workers=3)pool.map(job,range(1,10))

运行结果：

start id ---> 1end id ----> 1start id ---> 2end id ----> 2start id ---> 3end id ----> 3start id ---> 4end id ----> 4start id ---> 5end id ----> 5start id ---> 6end id ----> 6start id ---> 7end id ----> 7start id ---> 8end id ----> 8start id ---> 9end id ----> 9