Skip to content

Commit 05ae85f

Browse files
shfanzieshfanzie
authored
Update Distributed_process.rst
1 parent 5913b04 commit 05ae85f

1 file changed

Lines changed: 153 additions & 0 deletions

File tree

‎Process-Thread/Distributed_process.rst‎

Lines changed: 153 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -1 +1,154 @@
1+
==========
2+
分布式进程
3+
==========
14

5+
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。
6+
7+
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。
8+
9+
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？
10+
11+
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。
12+
13+
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::
14+
15+
# task_master.py
16+
17+
import random, time, queue
18+
from multiprocessing.managers import BaseManager
19+
20+
# 发送任务的队列:
21+
task_queue = queue.Queue()
22+
# 接收结果的队列:
23+
result_queue = queue.Queue()
24+
25+
# 从BaseManager继承的QueueManager:
26+
class QueueManager(BaseManager):
27+
pass
28+
29+
# 把两个Queue都注册到网络上, callable参数关联了Queue对象:
30+
QueueManager.register('get_task_queue', callable=lambda: task_queue)
31+
QueueManager.register('get_result_queue', callable=lambda: result_queue)
32+
# 绑定端口5000, 设置验证码'abc':
33+
manager = QueueManager(address=('', 5000), authkey=b'abc')
34+
# 启动Queue:
35+
manager.start()
36+
# 获得通过网络访问的Queue对象:
37+
task = manager.get_task_queue()
38+
result = manager.get_result_queue()
39+
# 放几个任务进去:
40+
for i in range(10):
41+
n = random.randint(0, 10000)
42+
print('Put task %d...' % n)
43+
task.put(n)
44+
# 从result队列读取结果:
45+
print('Try get results...')
46+
for i in range(10):
47+
r = result.get(timeout=10)
48+
print('Result: %s' % r)
49+
# 关闭:
50+
manager.shutdown()
51+
print('master exit.')
52+
53+
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。
54+
55+
然后，在另一台机器上启动任务进程（本机上启动也可以）::
56+
57+
# task_worker.py
58+
59+
import time, sys, queue
60+
from multiprocessing.managers import BaseManager
61+
62+
# 创建类似的QueueManager:
63+
class QueueManager(BaseManager):
64+
pass
65+
66+
# 由于这个QueueManager只从网络上获取Queue，所以注册时只提供名字:
67+
QueueManager.register('get_task_queue')
68+
QueueManager.register('get_result_queue')
69+
70+
# 连接到服务器，也就是运行task_master.py的机器:
71+
server_addr = '127.0.0.1'
72+
print('Connect to server %s...' % server_addr)
73+
# 端口和验证码注意保持与task_master.py设置的完全一致:
74+
m = QueueManager(address=(server_addr, 5000), authkey=b'abc')
75+
# 从网络连接:
76+
m.connect()
77+
# 获取Queue的对象:
78+
task = m.get_task_queue()
79+
result = m.get_result_queue()
80+
# 从task队列取任务,并把结果写入result队列:
81+
for i in range(10):
82+
try:
83+
n = task.get(timeout=1)
84+
print('run task %d * %d...' % (n, n))
85+
r = '%d * %d = %d' % (n, n, n*n)
86+
time.sleep(1)
87+
result.put(r)
88+
except Queue.Empty:
89+
print('task queue is empty.')
90+
# 处理结束:
91+
print('worker exit.')
92+
93+
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。
94+
95+
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::
96+
97+
$ python3 task_master.py
98+
Put task 3411...
99+
Put task 1605...
100+
Put task 1398...
101+
Put task 4729...
102+
Put task 5300...
103+
Put task 7471...
104+
Put task 68...
105+
Put task 4219...
106+
Put task 339...
107+
Put task 7866...
108+
Try get results...
109+
110+
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::
111+
112+
$ python3 task_worker.py
113+
Connect to server 127.0.0.1...
114+
run task 3411 * 3411...
115+
run task 1605 * 1605...
116+
run task 1398 * 1398...
117+
run task 4729 * 4729...
118+
run task 5300 * 5300...
119+
run task 7471 * 7471...
120+
run task 68 * 68...
121+
run task 4219 * 4219...
122+
run task 339 * 339...
123+
run task 7866 * 7866...
124+
worker exit.
125+
126+
task_worker.py进程结束，在task_master.py进程中会继续打印出结果::
127+
128+
Result: 3411 * 3411 = 11634921
129+
Result: 1605 * 1605 = 2576025
130+
Result: 1398 * 1398 = 1954404
131+
Result: 4729 * 4729 = 22363441
132+
Result: 5300 * 5300 = 28090000
133+
Result: 7471 * 7471 = 55815841
134+
Result: 68 * 68 = 4624
135+
Result: 4219 * 4219 = 17799961
136+
Result: 339 * 339 = 114921
137+
Result: 7866 * 7866 = 61873956
138+
139+
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。
140+
141+
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：
142+
143+
task_master_worker
144+
145+
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。
146+
147+
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。
148+
149+
小结
150+
------------
151+
152+
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。
153+
154+
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。

0 commit comments

Comments
 (0)