本文将介绍在Python中的进程之间共享许多队列的详细情况，特别是关于在python中的进程之间共享许多队列的相关信息。我们将通过案例分析、数据研究等多种方式，帮助您更全面地了解这个主题，同时也将涉及

本文将介绍在Python中的进程之间共享许多队列的详细情况，特别是关于在python中的进程之间共享许多队列的相关信息。我们将通过案例分析、数据研究等多种方式，帮助您更全面地了解这个主题，同时也将涉及一些关于linux – 在不相关的进程之间共享futex、python 30 进程之间的相互独立、进程之间的时间差、python multiprocessing - 在进程之间共享类字典，随后从进程写入反映到共享内存、python – 在进程对象之间共享SciPy稀疏数组的知识。

• 在Python中的进程之间共享许多队列（在python中的进程之间共享许多队列）
• linux – 在不相关的进程之间共享futex
• python 30 进程之间的相互独立、进程之间的时间差
• python multiprocessing - 在进程之间共享类字典，随后从进程写入反映到共享内存
• python – 在进程对象之间共享SciPy稀疏数组

在Python中的进程之间共享许多队列（在python中的进程之间共享许多队列）

我知道multiprocessing.Manager()如何将其用于创建共享对象，尤其是可以在工作人员之间共享的队列。有这个问题，这个问题，[这个问题](http://codingdict.com/questions/1299甚至是我自己的一个问题。

但是，我需要定义很多队列，每个队列都链接一对特定的进程。假设每对进程及其链接队列均由变量标识key。

当我需要放置和获取数据时，我想使用字典来访问我的队列。我无法完成这项工作。我已经尝试了很多东西。随着multiprocessing进口为mp：

像for key in all_keys: DICT[key] =mp.Queue在多处理模块（称为multi.py）导入的配置文件中那样定义dict不会返回错误，但是DICT[key]在进程之间不共享队列，每个进程似乎都有自己的队列副本，因此不会发生通信。

如果我尝试在定义DICT进程并启动它们的主要多处理函数的开始处定义，例如

DICT = mp.Manager().dict()    for key in all_keys:    DICT[key] = mp.Queue()

我得到错误

RuntimeError: Queue objects should only be shared between processes through inheritance

更改为

DICT = mp.Manager().dict()    for key in all_keys:    DICT[key] = mp.Manager().Queue()

只会使一切变得更糟。multi.py在main函数的顶部而不是内部尝试类似的定义会返回类似的错误。

必须有一种方法可以在进程之间共享许多队列，而无需在代码中明确命名每个队列。有任何想法吗？

编辑

这是程序的基本架构：

1-加载第一个模块，该模块定义一些变量，import
multi，launchsmulti.main()和加载另一个模块，该模块开始一系列模块加载和代码执行。与此同时…

2-multi.main看起来像这样：

def main():    manager = mp.Manager()    pool = mp.Pool()    DICT2 = manager.dict()    for key in all_keys:        DICT2[key] = manager.Queue()        proc_1 = pool.apply_async(targ1,(DICT1[key],) ) #DICT1 is defined in the config file        proc_2 =  pool.apply_async(targ2,(DICT2[key], otherargs,)

除了使用pooland之外manager，我还启动了以下程序：

mp.Process(target=targ1, args=(DICT[key],))

3-该函数targ1接收key来自主进程的输入数据（按排序）。它旨在将结果传递给它，DICT[key]以便targ2可以执行其工作。这是不起作用的部分。有任意数量的targ1s，targ2s等，因此有任意数量的队列。

4-这些过程中的某些过程的结果将被发送到一堆不同的数组/熊猫数据帧，这些数据帧也由索引key，我希望可以从任意过程中访问它们，甚至是在不同模块中启动的过程。我还没有写这部分，这可能是一个不同的问题。（我在这里提到它是因为上面3的答案也可能很好地解决了4。）

答案1

当您尝试multiprocessing.Queue()通过传递a作为参数共享a时，听起来好像问题开始了。您可以通过创建托管队列来解决此问题：

import multiprocessingmanager = multiprocessing.Manager()passable_queue = manager.Queue()

当使用管理器创建它时，您正在存储并传递一个 代理
到队列，而不是队列本身，因此即使传递给工作进程的对象是复制的，它仍将指向相同的基础数据结构：您的队列。在概念上，它与C / C
++中的指针非常相似。如果以这种方式创建队列，则在启动工作进程时将能够通过它们。

由于您现在可以传递队列，因此不再需要管理字典。在main中保留一个普通字典，该字典将存储所有映射，并且仅为您的工作进程提供所需的队列，因此他们无需访问任何映射。

我在这里写了一个例子。看起来您在工作人员之间传递对象，这就是在这里完成的工作。假设我们有两个处理阶段，并且数据在的控制下开始和结束main。看看我们如何创建像管道一样连接工人的队列，但是通过
只 给他们提供 他们需要的队列 ，就不需要他们知道任何映射：

import multiprocessing as mpdef stage1(q_in, q_out):    q_out.put(q_in.get()+"Stage 1 did some work.\n")    returndef stage2(q_in, q_out):    q_out.put(q_in.get()+"Stage 2 did some work.\n")    returndef main():    pool = mp.Pool()    manager = mp.Manager()    # create managed queues    q_main_to_s1 = manager.Queue()    q_s1_to_s2 = manager.Queue()    q_s2_to_main = manager.Queue()    # launch workers, passing them the queues they need    results_s1 = pool.apply_async(stage1, (q_main_to_s1, q_s1_to_s2))    results_s2 = pool.apply_async(stage2, (q_s1_to_s2, q_s2_to_main))    # Send a message into the pipeline    q_main_to_s1.put("Main started the job.\n")    # Wait for work to complete    print(q_s2_to_main.get()+"Main finished the job.")    pool.close()    pool.join()    returnif __name__ == "__main__":    main()

代码产生以下输出：

Main开始了工作。
第一阶段做了一些工作。
第二阶段做了一些工作。
Main完成了工作。

我没有提供AsyncResults在字典中存储队列或对象的示例，因为我仍然不太了解您的程序应该如何工作。但是，既然您可以自由地传递队列，则可以构建字典来根据需要存储队列/进程映射。

实际上，如果您确实在多个工作人员之间建立了一条管道，那么您甚至不需要保留对中“工作人员之间”队列的引用main。创建队列，将其传递给您的工作人员，然后仅保留对main将要使用的队列的引用。如果您确实有“任意数量”的队列，我绝对建议您尝试尽快让旧队列被垃圾回收。

linux – 在不相关的进程之间共享futex

with open("/tmp/semaphore","rb+") as f:
    m = mmap.mmap(f.fileno(),0)  # default: all file,share,read-write

data = ffi.cast("unsigned long[3]",id(m))[2]  # pointer to mapped area,64-bit cpython
lock = ffi.cast("pthread_mutex_t *",data)
cond = ffi.cast("pthread_cond_t *",data + 40)

@contextlib.contextmanager
def locked(alock):
    assert not C.pthread_mutex_lock(alock)
    try:
        yield
    finally:
        assert not C.pthread_mutex_unlock(alock)

if "wait" in sys.argv:
    with locked(lock):
        assert not C.pthread_cond_wait(cond,lock)

elif "signal" in sys.argv:
    with locked(lock):
        assert not C.pthread_cond_signal(cond)

l = ffi.new("pthread_mutexattr_t *")
assert not C.pthread_mutexattr_init(l)
assert not C.pthread_mutexattr_setpshared(l,1)  # PTHREAD_PROCESS_SHARED
assert not C.pthread_mutex_init(lock,l)
# same for condition variable

python 30 进程之间的相互独立、进程之间的时间差

# import time
# import os
# from multiprocessing import Process
#
# def func1():
#     time.sleep(3)
#     print(''我是func1'')
#
# def func2():
#     time.sleep(3)
#     print(''我是func2'')
#     print(''子进程的pid'', os.getpid())
#     print(''子进程的父进程'', os.getppid())
#
# start_time = time.time()
# func1()
# func2()
# end_time = time.time()
# print(''时间差>>>>'', end_time-start_time)
#
# if __name__ == ''__main__'':
#     print(''主进程的pid'', os.getpid())
#     start_time1 = time.time()
#     p = Process(target=func2)  # 创建一个func2的新进程、与func1同时进行(那个进程先结束就先显示)
#     p.start()
#
#     func1()
#     end_time1 = time.time() # 由于你的程序是上往下走的在发起func2这个进程是func1已经走完
#     print(''时间差>>>>'', end_time1 - start_time1)  # 因此这个时间差实际上只是主程序运行的时间并没有考虑func2的运行时间
# **************************************分割线***************************************
# print(''分割线''.center(80, ''*''))

#真正的func1、func2并发的时间:由于func1/func2是同事进行的，算两个进程中运行的最长时间就是func1、func2的时间

# 两个进程的真正时间差

# from multiprocessing import Process
# import time
# 
# def func1():
#     time.sleep(1)
#     print(''我是func1'')
#     time1 = time.time()
#     print(''我是时间1>>>'', time1)
# 
# 
# def func2():
#     time.sleep(3)
#     print(''我是func2'')
#     time2 = time.time()
#     print(''我是时间2>>>'', time2)
# 
# 
# if __name__ == ''__main__'':
#     print(''我是主程序'')
#     p = Process(target=func2)
#     p.start()
# 
#     func1()
#     end_time = time.time()
# func1、func2真正的时间差是打印出来的时间1 - 打印出来的时间2

# **************************************分割线***************************************
# 子进程和主进程在空间上是相互独立的
# from multiprocessing import Process
#
# x = 100
#
# def func():
#     global x
#     x = 10
#     print(id(x))
#     print(''子进程>>>'', x)
#
# if __name__ == ''__main__'':
#
#     p = Process(target=func)
#     p.start()
#     p.join()
#     print(id(x))
#     print(''主进程>>>'', x)
# # 结果：
# # 263469456
# # 子进程>>> 10
# # 263470896
# # 主进程>>> 100  # 内存地址是相互独立的 且值是相互独立的

python multiprocessing - 在进程之间共享类字典，随后从进程写入反映到共享内存

这是一个“陷阱”，它为外行人带来了很多惊喜。问题在于，当您拥有托管字典时，要查看传播的更新，您需要更改键或键的值。在这里，从技术上讲，您没有更改该值，也就是说，您仍在引用相同的对象实例（类型 ExampleClass），并且只更改了该引用中 的某些内容。很奇怪，我知道。这是您需要的修改后的方法 f：

def f(self,dict):
    # generate a random index to add the class to
    index = str(random.randint(0,100))

    # create a new class at that index
    dict[index] = ExampleClass(str(random.randint(100,200)))

    # this is the problem,it doesn't share the updated variables in the dictionary between the processes <----------------------
    # attempt to change the created variables
    ec = dict[index]
    ec.count += 1
    ec.stringVar = "yeAH"
    dict[index] = ec # show new reference
    # print what's inside
    for x in dict.values():
        print(x.count,x.stringVar)

注意：

如果您使用以下代码来设置密钥/对值，以下内容实际上会打印 False：

ec = ExampleClass(str(random.randint(100,200)))
dict[index] = ec
print(dict[index] is ec)

这就是为什么在修改后的方法 f 中，dict[index] = ec # show new reference 似乎是一个被设置为值的新引用。

此外，您应该考虑不使用 dict（一种内置数据类型）作为变量名。

python – 在进程对象之间共享SciPy稀疏数组

import scipy.sparse as sps

b = sps.csc_matrix((a.data,a.indices,a.indptr),shape=a.shape,copy=False)

关于在Python中的进程之间共享许多队列和在python中的进程之间共享许多队列的介绍已经告一段落，感谢您的耐心阅读，如果想了解更多关于linux – 在不相关的进程之间共享futex、python 30 进程之间的相互独立、进程之间的时间差、python multiprocessing - 在进程之间共享类字典，随后从进程写入反映到共享内存、python – 在进程对象之间共享SciPy稀疏数组的相关信息，请在本站寻找。