Python学习笔记(三十)分布式进程
2017-08-27 22:24
453 查看
摘抄自:https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/001431929340191970154d52b9d484b88a7b343708fcc60000
Python的
举个例子:如果我们已经有一个通过
原有的
我们先看服务进程,服务进程负责启动
(在Linux里面运行)
请注意,当我们在一台机器上写多进程程序时,创建的
然后,在另一台机器上启动任务进程(本机上启动也可以):
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
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
Queue对象存储在哪?注意到
而
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。
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:
(在Linux里面运行)
# task_master.py import random, time, queue from multiprocessing.managers import BaseManager # 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 class QueueManager(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 'douzi': manager = QueueManager(address=('', 5000), authkey=b'douzi') # 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: for i in range(10): n = random.randint(0, 10000) print('Put tast %d...' % n) task.put(n) # 从result队列读取结果: print('Try get results...') for i in range(10): r = result.get(timeout=10) print('Result: %s' % r) # 关闭: manager.shutdown() print('master exit.')
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):
import time, sys, queue from multiprocessing.managers import BaseManager # 创建类似的 QueueManager: class QueueManger(BaseManager): pass # 由于这个QueueManger只从网络上获取Queue,所以注册时只提供名字: QueueManger.register('get_task_queue') QueueManger.register('get_result_queue') # 连接到服务器, 也就是运行task_master.py的机器: server_addr = '115.159.91.170' print('Connect to server %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 = QueueManger(address=(server_addr, 5000), authkey=b'douzi') # 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: for i in range(10): try: n = task.get(timeout=1) print('run task %d * %d...' % (n, n)) r = '%d * %d = %d' % (n, n, n * n) time.sleep(1) result.put(r) except queue.Empty: print('task queue is empty.') # 处理结果: print('worker exit.')
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:
$ python3 task_master.py Put task 3411... Put task 1605... Put task 1398... Put task 4729... Put task 5300... Put task 7471... Put task 68... Put task 4219... Put task 339... Put task 7866... Try get results...
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:
$ python3 task_worker.py Connect to server 127.0.0.1... run task 3411 * 3411... run task 1605 * 1605... run task 1398 * 1398... run task 4729 * 4729... run task 5300 * 5300... run task 7471 * 7471... run task 68 * 68... run task 4219 * 4219... run task 339 * 339... run task 7866 * 7866... worker exit.
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。
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。
小结
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。
相关文章推荐
- python学习笔记(十) - 进程和线程
- python学习笔记—— 多进程中的 孤儿进程和僵尸进程
- python学习笔记-------进程,进程锁,进程间通信,进程的同步异步
- python学习笔记:多并发(线程、进程、协程)
- Python线程与进程——学习笔记
- python3学习笔记:多进程分布式小例子
- 30. Python脚本学习笔记三十 更多关于SWIG
- python爬虫:编写多进程爬虫学习笔记
- Python学习总结笔记(5)--进程/线程Event机制使用时要注意的一个问题
- python学习笔记-Day10--(进程\线程\协程)
- python3学习笔记之多进程分布式小例子
- 进程和线程的基础知识——Python学习笔记11
- python进程和线程学习笔记
- python 学习笔记八之进程和线程 (进阶篇)
- 廖雪峰python学习笔记14.多进程和多线程
- python学习笔记——multiprocessing 多进程模块Process
- python3学习笔记:进程VS线程
- 【Python】学习笔记——-11、进程和线程
- Python学习笔记(二十七)多进程 (进程和线程开始)
- 3.python学习笔记:python下的多进程与多线程(一)