1 进程池Pool基本概述
在使用Python进行系统管理时，特别是同时操作多个文件目录或者远程控制多台主机，并行操作可以节约大量时间，如果操作的对象数目不大时，还可以直接适用Process类动态生成多个进程，几十个尚可，若上百个甚至更多时，手动限制进程数量就显得特别繁琐，此时进程池就显得尤为重要。
进程池Pool类可以提供指定数量的进程供用户调用，当有新的请求提交至Pool中时，若进程池尚未满，就会创建一个新的进程来执行请求；若进程池中的进程数已经达到规定的最大数量，则该请求就会等待，直到进程池中有进程结束，才会创建新的进程来处理该请求。
2 进程池Pool的语法
Pool([processes[, initializer[, initargs[, maxtasksperchild[, context]]]]])
processes：使用的工作进程的数量；若processes是None，默认适用os.cpu_count()返回的数量。
initializer：若initializer是None，则每一个工作进程在开始的时候就会调用initializer(*initargs)。
maxtasksperchild：工作进程退出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，让闲置的资源释放，maxtasksperchild默认是None，此意味只要Pool存在工作进程就一直存活
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。
实例方法：
p为进程池对象
p.apply()：
apply(func[, args=()[, kwds={}]])
该函数用于传递不定参数，主进程会被阻塞直到函数执行结束，实际上这也就说所谓的同步执行。
同步执行，按照加入进程池的顺序执行事件，每次执行完一个再执行另一个，无法获取返回值。
p.apply_async()
apply_async(func[, args=()[, kwds={}[, callback=None]]])
与apply用法一样，但它是非阻塞且支持结果返回进行回调；实际上也就是异步执行。
异步执行，同时启动进程池中多个进程执行事件，可以获取事件返回值 — <multiprocessing.pool.ApplyResult object at 0x7f7f6e4357f0>。
p.map()
map(func, iterable[, chunksize=None])
Pool类中的map方法，与内置map函数用法基本一致，它融合了map函数和apply_async()函数的功能；它会使进程阻塞直到返回结果。
注意：虽然第二个参数是一个迭代器，但实际应用中，必须在整个队列就绪后，程序才会运行子进程。
p.close()：关闭进程池，阻止更多的任务提交到进程池Pool，待任务完成后，工作进程会退出
p.terminate()：结束工作进程，不再处理未完成的任务
p.join()：等待工作线程的退出，必须在close()或terminate()之后使用，因被终止的进程需要被父进程调用wait（join等价于wait）,否则进程会成为僵尸进程。
注意：
（1）使用Pool创建进程池对象，同时进程池中进程已经启动
（2）向进程池对象中添加事件，事件排队执行
（3）如果主进程退出，则进程池中所有进程都退出
3 实例
3.1 基础实例
import multiprocessing as mp def test(): pass p = mp.Pool(processes = 5) # 创建5条进程 for i in range(10): p.apply_async(test) # 向进程池添加任务 p.close() # 关闭进程池，不再接受请求 p.join() # 等待所有的子进程结束
说明：
（1）进程池Pool被创建出来后， p.apply_async(test) 语句不停地循环执行，相当于向进程池中提交了10个请求，它们会被放到一个队列中。
（2） p = mp.Pool(5) 执行完毕后创建了5条进程，但尚未给它们分配各自的任务；也就意味着，无论有多少任务，实际的进程数只有5条，每次最多5条进程并行。
（3）当Pool中有进程任务执行完毕后，这条进程资源会被释放，Pool会按先进先出的原则取出一个新的请求给空闲的进程继续执行。
（4）当Pool所有的进程任务完成后，会产生5个僵尸进程，如果主进程/主线程不结束，系统不会自动回收资源，需要调用join函数负责回收。
（5）在创建Pool进程池时，若不指定进程的最大数量，默认创建的进程数为系统的内核数量
（6）如果采用p.apply(test)阻塞方式添加任务，其每次只能向进程池中添加一条任务，然后for循环会被阻塞等待，直到添加的任务被执行完毕，进程池中的5个进程交替执行新来的任务，此时相当于单进程。——该语句需要再深刻理解，尚未完全明白
参考：python的multiprocessing模块进程创建、资源回收-Process,Pool
3.2 apply方式添加任务
import multiprocessing as mp import os from time import sleep def worker(msg): print(os.getpid()) sleep(2) print(msg) return msg #创建进程池对象 p = mp.Pool(processes = 4)#创建4条进程 pool_result = [] for i in range(10): msg = ‘hello-%d‘%i r = p.apply(worker,(msg,))#向进程池中添加事件 pool_result.append(r) #获取事件函数的返回值 for r in pool_result: print(‘return:‘,r) p.close()# 关闭进程池,不再接受请求 p.join() # 等待进程池中的事件执行完毕，回收进程池
运行
8419 hello-0 8418 hello-1 8420 hello-2 8421 hello-3 8419 hello-4 8418 hello-5 8420 hello-6 8421 hello-7 8419 hello-8 8418 hello-9 return: hello-0 return: hello-1 return: hello-2 return: hello-3 return: hello-4 return: hello-5 return: hello-6 return: hello-7 return: hello-8 return: hello-9
这段代码运行较慢，和进程阻塞有关。相当于单线程！
当将代码（22行）中的 print(‘return:‘,r) 修改为 print(‘return:‘,r.get()) 时
8670 hello-0 8671 hello-1 8672 hello-2 8673 hello-3 8670 hello-4 8671 hello-5 8672 hello-6 8673 hello-7 8670 hello-8 8671 hello-9 Traceback (most recent call last): File "test1.py", line 22, in <module> print(‘return:‘,r.get()) AttributeError: ‘str‘ object has no attribute ‘get‘
最后报错： AttributeError: ‘str‘ object has no attribute ‘get‘
3.3 applay_async方式添加任务
import multiprocessing as mp import os from time import sleep def worker(msg): print(os.getpid()) sleep(2) print(msg) return msg #创建进程池对象 p = mp.Pool(processes = 4) #创建4条进程 pool_result = [] for i in range(10): msg = ‘hello-%d‘%i r = p.apply_async(worker,(msg,)) #向进程池中添加事件 pool_result.append(r) #获取事件函数的返回值 for r in pool_result: print(‘return:‘,r) p.close()#关闭进程池,不再接受请求 p.join()# 等待进程池中的事件执行完毕，回收进程池
运行
return: <multiprocessing.pool.ApplyResult object at 0x7f66d0e37d68> return: <multiprocessing.pool.ApplyResult object at 0x7f66d0e37e80> return: <multiprocessing.pool.ApplyResult object at 0x7f66d0e37f98> return: <multiprocessing.pool.ApplyResult object at 0x7f66d0e410f0> return: <multiprocessing.pool.ApplyResult object at 0x7f66d0e41208> return: <multiprocessing.pool.ApplyResult object at 0x7f66d0e41320> return: <multiprocessing.pool.ApplyResult object at 0x7f66d0e41438> return: <multiprocessing.pool.ApplyResult object at 0x7f66d0e41550> return: <multiprocessing.pool.ApplyResult object at 0x7f66d0e41668> return: <multiprocessing.pool.ApplyResult object at 0x7f66d0e41780> 8739 8740 8742 8741 hello-0 hello-3 8742 hello-1 8739 8740 hello-2 8741 hello-5 8739 hello-6 8740 hello-7 hello-4 hello-8 hello-9
注意：
（1）由于这个是异步方式添加任务，所以运行非常快
（2）由于for是内置循环函数，执行效率较高，所以在结果的前10行均为for语句执行结果
（3） r = p.apply_async(worker,(msg,)) 执行结果为进度对象。
（4）由于任务是异步执行，所以在结果中是“乱序”；并不像applay那样有序打印。
同样将代码（22行）中的 print(‘return:‘,r) 修改为 print(‘return:‘,r.get()) 时，
运行结果
8839 8840 8841 8842 hello-0 hello-1 hello-3 8839 hello-2 8842 8841 8840 return: hello-0 return: hello-1 return: hello-2 return: hello-3 hello-4 hello-5 8839 hello-6 8842 hello-7 return: hello-4 return: hello-5 return: hello-6 return: hello-7 hello-9 hello-8 return: hello-8 return: hello-9
