进程和线程（5）-分布式进程

分布式进程

在Thread和Process中，应当优选Process，由于Process更稳定，并且，Process能够分布到多台机器上，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。一个服务进程能够做为调度者，将任务分布到其余多个进程中，依靠网络通讯。因为managers模块封装很好，没必要了解网络通讯的细节，就能够很容易地编写分布式多进程程序。

举个例子：若是咱们已经有一个经过Queue通讯的多进程程序在同一台机器上运行，如今，因为处理任务的进程任务繁重，但愿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能够继续使用，可是，经过managers模块把Queue经过网络暴露出去，就可让其余机器的进程访问Queue了。

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

# taskmanager.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'abc': manager = QueueManager(address=('', 5000), authkey='abc') # 启动Queue: manager.start() # 得到经过网络访问的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 task %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() 

请注意，当咱们在一台机器上写多进程程序时，建立的Queue能够直接拿来用，可是，在分布式多进程环境下，添加任务到Queue不能够直接对原始的task_queue进行操做，那样就绕过了QueueManager的封装，必须经过manager.get_task_queue()得到的Queue接口添加。

而后，在另外一台机器上启动任务进程（本机上启动也能够）：

# taskworker.py import time, sys, Queue from multiprocessing.managers import BaseManager # 建立相似的QueueManager: class QueueManager(BaseManager): pass # 因为这个QueueManager只从网络上获取Queue，因此注册时只提供名字: QueueManager.register('get_task_queue') QueueManager.register('get_result_queue') # 链接到服务器，也就是运行taskmanager.py的机器: server_addr = '127.0.0.1' print('Connect to server %s...' % server_addr) # 端口和验证码注意保持与taskmanager.py设置的彻底一致: m = QueueManager(address=(server_addr, 5000), authkey='abc') # 从网络链接: 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.') # 处理结束: print('worker exit.') 

任务进程要经过网络链接到服务进程，因此要指定服务进程的IP。

如今，能够试试分布式进程的工做效果了。先启动taskmanager.py服务进程：

$ python taskmanager.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... 

taskmanager进程发送完任务后，开始等待result队列的结果。如今启动taskworker.py进程：

$ python taskworker.py 127.0.0.1 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. 

taskworker进程结束，在taskmanager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Manager/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，就能够把任务分布到几台甚至几十台机器上，好比把计算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taskworker.py中根本没有建立Queue的代码，因此，Queue对象存储在taskmanager.py进程中：

而Queue之因此能经过网络访问，就是经过QueueManager实现的。因为QueueManager管理的不止一个Queue，因此，要给每一个Queue的网络调用接口起个名字，好比get_task_queue。

authkey有什么用？这是为了保证两台机器正常通讯，不被其余机器恶意干扰。若是taskworker.py的authkey和taskmanager.py的authkey不一致，确定链接不上。

小结

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

注意Queue的做用是用来传递任务和接收结果，每一个任务的描述数据量要尽可能小。好比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自己，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。