Python分布式進程中你會遇到的問題解析
小驚大怪
你是不是在用Python3或者在windows系統(tǒng)上編程?最重要的是你對進程和線程不是很清楚?那么恭喜你，在python分布式進程中，會有坑等著你去挖。。。(hahahaha，此處允許我嚇唬一下你)開玩笑的啦，不過，如果你知道序列中不支持匿名函數，那這個坑就和你say byebye了。好了話不多數，直接進入正題。
分布式進程
正如大家所知道的Process比Thread更穩(wěn)定，而且Process可以分布到多臺機器上，而Thread最多只能分布到同一臺機器的多個CPU上。Python的multiprocessing模塊不但支持多進程，其中managers子模塊還支持把多進程分布到多臺機器上。一個服務進程可以作為調度者，將任務分布到其他多個進程中，依靠網絡通信。由于managers模塊封裝很好，不必了解網絡通信的細節(jié)，就可以很容易地編寫分布式多進程程序。
代碼記錄
舉個例子
如果我們已經有一個通過Queue通信的多進程程序在同一臺機器上運行，現在，由于處理任務的進程任務繁重，希望把發(fā)送任務的進程和處理任務的進程分布到兩臺機器上，這應該怎么用分布式進程來實現呢?你已經知道了原有的Queue可以繼續(xù)使用，而且通過managers模塊把Queue通過網絡暴露出去，就可以讓其他機器的進程來訪問Queue了。好，那我們就這么干!
寫個task_master.py
我們先看服務進程。服務進程負責啟動Queue，把Queue注冊到網絡上，然后往Queue里面寫入任務。
#！/user/bin/pytthon
# -*- coding:utf-8 -*-
# @Time: 2018/3/3 16:46
# @Author: lichexo
# @File: task_master.py
import random, time, queue
from multiprocessing.managers import BaseManager
# 發(fā)送任務的隊列:
task_queue = queue.Queue()
# 接收結果的隊列:
result_queue = queue.Queue()
# 從BaseManager繼承的QueueManager:
class QueueManager(BaseManager):
pass
# 把兩個Queue都注冊到網絡上, callable參數關聯(lián)了Queue對象:
QueueManager.register('get_task_queue', callable=lambda: task_queue)
QueueManager.register('get_result_queue', callable=lambda: result_queue)
# 綁定端口5000, 設置驗證碼'abc':
manager = QueueManager(address=('', 5000), authkey=b'abc')
# 啟動Queue:
manager.start()
# 獲得通過網絡訪問的Queue對象:
task = manager.get_task_queue()
result = manager.get_result_queue()
# 放幾個任務進去:
for i in range(10):
n = random.randint(0, 10000)
print('Put task %d...' % n)
task.put(n)
# 從result隊列讀取結果:
print('Try get results...')
for i in range(10):
r = result.get(timeout=10)
print('Result: %s' % r)
# 關閉:
manager.shutdown()
print('master exit.')
請注意，當我們在一臺機器上寫多進程程序時，創(chuàng)建的Queue可以直接拿來用，但是，在分布式多進程環(huán)境下，添加任務到Queue不可以直接對原始的task_queue進行操作，那樣就繞過了QueueManager的封裝，必須通過manager.get_task_queue()獲得的Queue接口添加。然后，在另一臺機器上啟動任務進程(本機上啟動也可以)
寫個task_worker.py
#！/user/bin/pytthon
# -*- coding:utf-8 -*-
# @Time: 2018/3/3 16:46
# @Author: lichexo
# @File: task_worker.py
import time, sys, queue
from multiprocessing.managers import BaseManager
# 創(chuàng)建類似的QueueManager:
class QueueManager(BaseManager):
pass
# 由于這個QueueManager只從網絡上獲取Queue，所以注冊時只提供名字:
QueueManager.register('get_task_queue')
QueueManager.register('get_result_queue')
# 連接到服務器，也就是運行task_master.py的機器:
server_addr = '127.0.0.1'
print('Connect to server %s...' % server_addr)
# 端口和驗證碼注意保持與task_master.py設置的完全一致:
m = QueueManager(address=(server_addr, 5000), authkey=b'abc')
# 從網絡連接:
m.connect()
# 獲取Queue的對象:
task = m.get_task_queue()
result = m.get_result_queue()
# 從task隊列取任務,并把結果寫入result隊列:
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.')
# 處理結束:
print('worker exit.')
任務進程要通過網絡連接到服務進程，所以要指定服務進程的IP。
運行結果
現在，可以試試分布式進程的工作效果了。先啟動task_master.py服務進程：
Traceback (most recent call last):
File "F:/Python/untitled/xianchengjincheng/master.py", line 25, in <module>
manager.start()
File "F:Pythonpystalllibmultiprocessingmanagers.py", line 513, in start
self._process.start()
File "F:Pythonpystalllibmultiprocessingprocess.py", line 105, in start
self._popen = self._Popen(self)
File "F:Pythonpystalllibmultiprocessingcontext.py", line 322, in _Popen
return Popen(process_obj)
File "F:Pythonpystalllibmultiprocessingpopen_spawn_win32.py", line 65, in __init__
reduction.dump(process_obj, to_child)
File "F:Pythonpystalllibmultiprocessing
eduction.py", line 60, in dump
ForkingPickler(file, protocol).dump(obj)
_pickle.PicklingError: Can't pickle <function <lambda> at 0x00000202D1921E18>: attribute lookup <lambda> on __main__ failed
task_master.py進程發(fā)送完任務后，開始等待result隊列的結果。現在啟動task_worker.py進程：
Connect to server 127.0.0.1...
Traceback (most recent call last):
File "F:/Python/untitled/xianchengjincheng/work.py", line 24, in <module>
m.connect()
File "F:Pythonpystalllibmultiprocessingmanagers.py", line 489, in connect
conn = Client(self._address, authkey=self._authkey)
File "F:Pythonpystalllibmultiprocessingconnection.py", line 487, in Client
c = SocketClient(address)
File "F:Pythonpystalllibmultiprocessingconnection.py", line 614, in SocketClient
s.connect(address)
ConnectionRefusedError: [WinError 10061] 由于目標計算機積極拒絕，無法連接。
看到沒，結果都出錯了，我們好好分析一下到底哪出錯了。。。
錯誤分析
在task_master.py的報錯提示中，我們知道它說lambda錯誤，這是因為序列化不支持匿名函數，所以我們得修改代碼，重新對queue用QueueManager進行封裝放到網絡中。
# 把兩個Queue都注冊到網絡上, callable參數關聯(lián)了Queue對象
QueueManager.register('get_task_queue',callable=return_task_queue)
QueueManager.register('get_result_queue',callable=return_result_queue)
其中task_queue和result_queue是兩個隊列，分別存放任務和結果。它們用來進行進程間通信，交換對象。
因為是分布式的環(huán)境，放入queue中的數據需要等待Workers機器運算處理后再進行讀取，這樣就需要對queue用QueueManager進行封裝放到網絡中，這是通過上面的2行代碼來實現的。我們給return_task_queue的網絡調用接口取了一個名get_task_queue,而return_result_queue的名字是get_result_queue，方便區(qū)分對哪個queue進行操作。task.put(n)即是對task_queue進行寫入數據，相當于分配任務。而result.get()即是等待workers機器處理后返回的結果。
值得注意 在windows系統(tǒng)中你必須要寫IP地址，而其他操作系統(tǒng)比如linux操作系統(tǒng)則就不要了。
# windows需要寫ip地址
manager = QueueManager(address=('127.0.0.1', 5000), authkey=b'abc')
修改后的代碼
在task_master.py中修改如下：
#！/user/bin/pytthon
# -*- coding:utf-8 -*-
# @Time: 2018/3/3 16:46
# @Author: lichexo
# @File: task_master.py
# task_master.py
import random,time,queue
from multiprocessing.managers import BaseManager
from multiprocessing import freeze_support
task_queue = queue.Queue() # 發(fā)送任務的隊列:
result_queue = queue.Queue() # 接收結果的隊列:
class QueueManager(BaseManager): # 從BaseManager繼承的QueueManager:
pass
# windows下運行
def return_task_queue():
global task_queue
return task_queue # 返回發(fā)送任務隊列
def return_result_queue ():
global result_queue
return result_queue # 返回接收結果隊列
def test():
# 把兩個Queue都注冊到網絡上, callable參數關聯(lián)了Queue對象,它們用來進行進程間通信，交換對象
#QueueManager.register('get_task_queue', callable=lambda: task_queue)
#QueueManager.register('get_result_queue', callable=lambda: result_queue)
QueueManager.register('get_task_queue', callable=return_task_queue)
QueueManager.register('get_result_queue', callable=return_result_queue)
# 綁定端口5000, 設置驗證碼'abc':
#manager = QueueManager(address=('', 5000), authkey=b'abc')
# windows需要寫ip地址
manager = QueueManager(address=('127.0.0.1', 5000), authkey=b'abc')
manager.start() # 啟動Queue:
# 獲得通過網絡訪問的Queue對象:
task = manager.get_task_queue()
result = manager.get_result_queue()
for i in range(10): # 放幾個任務進去:
n = random.randint(0, 10000)
print('Put task %d...' % n)
task.put(n)
# 從result隊列讀取結果:
print('Try get results...')
for i in range(10):
# 這里加了異常捕獲
try:
r = result.get(timeout=5)
print('Result: %s' % r)
except queue.Empty:
print('result queue is empty.')
# 關閉:
manager.shutdown()
print('master exit.')
if __name__=='__main__':
freeze_support()
print('start!')
test()
在task_worker.py中修改如下：
#！/user/bin/pytthon
# -*- coding:utf-8 -*-
# @Time: 2018/3/3 16:46
# @Author: lichexo
# @File: task_worker.py
# task_worker.py
import time, sys, queue
from multiprocessing.managers import BaseManager
# 創(chuàng)建類似的QueueManager:
class QueueManager(BaseManager):
pass
# 由于這個QueueManager只從網絡上獲取Queue，所以注冊時只提供名字:
QueueManager.register('get_task_queue')
QueueManager.register('get_result_queue')
# 連接到服務器，也就是運行task_master.py的機器:
server_addr = '127.0.0.1'
print('Connect to server %s...' % server_addr)
# 端口和驗證碼注意保持與task_master.py設置的完全一致:
m = QueueManager(address=(server_addr, 5000), authkey=b'abc')
# 從網絡連接:
m.connect()
# 獲取Queue的對象:
task = m.get_task_queue()
result = m.get_result_queue()
# 從task隊列取任務,并把結果寫入result隊列:
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.')
# 處理結束:
print('worker exit.')
先運行task_master.py,然后再運行task_worker.py
(1)task_master.py運行結果如下
start! Put task 7872... Put task 6931... Put task 1395... Put task 8477... Put task 8300... Put task 1597... Put task 8738... Put task 8627... Put task 1884... Put task 2561... Try get results... Result: 7872 * 7872 = 61968384 Result: 6931 * 6931 = 48038761 Result: 1395 * 1395 = 1946025 Result: 8477 * 8477 = 71859529 Result: 8300 * 8300 = 68890000 Result: 1597 * 1597 = 2550409 Result: 8738 * 8738 = 76352644 Result: 8627 * 8627 = 74425129 Result: 1884 * 1884 = 3549456 Result: 2561 * 2561 = 6558721 master exit.
(2)task_worker.py運行結果如下
Connect to server 127.0.0.1... run task 8640 * 8640... run task 7418 * 7418... run task 9303 * 9303... run task 568 * 568... run task 1633 * 1633... run task 3583 * 3583... run task 3293 * 3293... run task 8975 * 8975... run task 8189 * 8189... run task 731 * 731... worker exit.
知識補充
這個簡單的Master/Worker模型有什么用?其實這就是一個簡單但真正的分布式計算，把代碼稍加改造，啟動多個worker，就可以把任務分布到幾臺甚至幾十臺機器上，比如把計算n*n的代碼換成發(fā)送郵件，就實現了郵件隊列的異步發(fā)送。
Queue對象存儲在哪?注意到task_worker.py中根本沒有創(chuàng)建Queue的代碼，所以，Queue對象存儲在task_master.py進程中：
而Queue之所以能通過網絡訪問，就是通過QueueManager實現的。由于QueueManager管理的不止一個Queue，所以，要給每個Queue的網絡調用接口起個名字，比如get_task_queue。task_worker這里的QueueManager注冊的名字必須和task_manager中的一樣。對比上面的例子，可以看出Queue對象從另一個進程通過網絡傳遞了過來。只不過這里的傳遞和網絡通信由QueueManager完成。
authkey有什么用?這是為了保證兩臺機器正常通信，不被其他機器惡意干擾。如果task_worker.py的authkey和task_master.py的authkey不一致，肯定連接不上。
總結
以上所述是小編給大家介紹的Python分布式進程中你會遇到的問題解析,希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對腳本之家網站的支持！
如果你覺得本文對你有幫助，歡迎轉載，煩請注明出處，謝謝！
相關文章
這篇文章主要介紹了深入理解Python中命名空間的查找規(guī)則LEGB,作者根據Python3.x版本進行講解,需要的朋友可以參考下2015-08-08
今天小編就為大家分享一篇Django中提示消息messages的設置方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
這篇文章主要給大家介紹了11個Python3字典內置方法大全與示例的相關資料，文中通過示例代碼介紹的非常詳細，對大家學習或者使用Python具有一定的參考學習價值，需要的朋友們下面來一起學習學習吧2019-05-05
本文將為你提供關于 TensorFlow 的中級知識，你將學習如何通過子類化構建自定義的神經網絡層，以及如何自定義訓練算法，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2023-07-07
這篇文章主要為大家詳細介紹了如何利用Python實現多組數據三維繪圖系統(tǒng),文中的示例代碼講解詳細,具有一定的學習價值,感興趣的小伙伴可以了解下2023-08-08
本文主要介紹了Python?time三種時間轉換小結，主要包括時間戳，結構化時間，字符串時間，文中根據實例編碼詳細介紹的十分詳盡，具有一定的參考價值，感興趣的小伙伴們可以參考一下2022-03-03
下面小編就為大家?guī)硪黄趐ython socketserver框架全面解析。小編覺得挺不錯的，現在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-09-09
python中字典的健和值是一一對應的,如果對字典進行添加操作時如果健的名字相同,則當前健對應的值就會被覆蓋,有時候我們想要一個健對應多個值的場景,這篇文章主要給大家介紹了關于Python字典一個key對應多個value幾種實現方式的相關資料,需要的朋友可以參考下2023-10-10
這篇文章主要介紹了Python創(chuàng)建自己的加密貨幣的示例，幫助大家更好的理解和學習使用python，感興趣的朋友可以了解下2021-03-03
這篇文章主要介紹了Python圖像處理探索之Python圖像處理庫,我們將學習使用不同的 Python 庫實現一些常見的圖像處理、變換和可視化技術，這些技術通?？梢杂米鞲鼜碗s的圖像處理任務的基本預處理/后處理步驟，需要的朋友可以參考下2023-04-04