详解python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：
#task_master.py
importrandom,time,queue
frommultiprocessing.managersimportBaseManager
#发送任务的队列:
task_queue=queue.Queue()
#接收结果的队列:
result_queue=queue.Queue()
#从BaseManager继承的QueueManager:
classQueueManager(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Queue:
manager.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)
#关闭:
manager.shutdown()
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_master.py
importrandom,time,queue
frommultiprocessing.managersimportBaseManager
#发送任务的队列:
task_queue=queue.Queue()
#接收结果的队列:
result_queue=queue.Queue()
#从BaseManager继承的QueueManager:
classQueueManager(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Queue:
manager.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)
#关闭:
manager.shutdown()
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.py Puttask3411... 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=11634921 Result:1605*1605=2576025 Result:1398*1398=1954404 Result:4729*4729=22363441 Result:5300*5300=28090000 Result:7471*7471=55815841 Result:68*68=4624 Result:4219*4219=17799961 Result:339*339=114921 Result: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。
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。
以上就是本篇文章所讲述的所有内容，这篇文章主要介绍了python分布式进程的相关知识，希望你能借助资料从而理解上述所说的内容。希望我在这片文章所讲述的内容能够对你有所帮助，让你学习python更加轻松。