Jak mogę odzyskać wartość zwracaną funkcji przekazanej do procesu wieloprocesowego?

W poniższym przykładowym kodzie chciałbym odzyskać zwracaną wartość funkcji worker. Jak mogę to zrobić? Gdzie jest przechowywana ta wartość?

Przykładowy kod:

import multiprocessing

def worker(procnum):
    '''worker function'''
    print str(procnum) + ' represent!'
    return procnum


if __name__ == '__main__':
    jobs = []
    for i in range(5):
        p = multiprocessing.Process(target=worker, args=(i,))
        jobs.append(p)
        p.start()

    for proc in jobs:
        proc.join()
    print jobs

Wynik:

0 represent!
1 represent!
2 represent!
3 represent!
4 represent!
[<Process(Process-1, stopped)>, <Process(Process-2, stopped)>, <Process(Process-3, stopped)>, <Process(Process-4, stopped)>, <Process(Process-5, stopped)>]

Nie mogę znaleźć odpowiedniego atrybutu w obiektach przechowywanych w jobs.

Do komunikacji użyj zmiennej współdzielonej . Na przykład tak:

import multiprocessing

def worker(procnum, return_dict):
    '''worker function'''
    print str(procnum) + ' represent!'
    return_dict[procnum] = procnum


if __name__ == '__main__':
    manager = multiprocessing.Manager()
    return_dict = manager.dict()
    jobs = []
    for i in range(5):
        p = multiprocessing.Process(target=worker, args=(i,return_dict))
        jobs.append(p)
        p.start()

    for proc in jobs:
        proc.join()
    print return_dict.values()

Myślę, że podejście sugerowane przez @sega_sai jest lepsze. Ale naprawdę potrzebuje przykładu kodu, więc oto:

import multiprocessing
from os import getpid

def worker(procnum):
    print('I am number %d in process %d' % (procnum, getpid()))
    return getpid()

if __name__ == '__main__':
    pool = multiprocessing.Pool(processes = 3)
    print(pool.map(worker, range(5)))

Które wydrukują zwracane wartości:

I am number 0 in process 19139
I am number 1 in process 19138
I am number 2 in process 19140
I am number 3 in process 19139
I am number 4 in process 19140
[19139, 19138, 19140, 19139, 19140]

Jeśli znasz map(wbudowany w Python 2), nie powinno to być zbyt trudne. W przeciwnym razie spójrz na link sega_Sai .

Zwróć uwagę, jak mało kodu jest potrzebne. (Zwróć również uwagę na to, jak procesy są ponownie wykorzystywane).

W tym przykładzie pokazano, jak korzystać z listy procesów wieloprocesowych. Instancje potoków, aby zwrócić ciągi z dowolnej liczby procesów:

import multiprocessing

def worker(procnum, send_end):
    '''worker function'''
    result = str(procnum) + ' represent!'
    print result
    send_end.send(result)

def main():
    jobs = []
    pipe_list = []
    for i in range(5):
        recv_end, send_end = multiprocessing.Pipe(False)
        p = multiprocessing.Process(target=worker, args=(i, send_end))
        jobs.append(p)
        pipe_list.append(recv_end)
        p.start()

    for proc in jobs:
        proc.join()
    result_list = [x.recv() for x in pipe_list]
    print result_list

if __name__ == '__main__':
    main()

Wynik:

0 represent!
1 represent!
2 represent!
3 represent!
4 represent!
['0 represent!', '1 represent!', '2 represent!', '3 represent!', '4 represent!']

Rozwiązanie to wykorzystuje mniej zasobów niż multiprocessing.Queue który używa

• rura
• co najmniej jeden zamek
• bufor
• wątek

lub multiprocessing.SimpleQueue, który używa

• rura
• co najmniej jeden zamek

Bardzo pouczające jest spojrzenie na źródło każdego z tych typów.

Z jakiegoś powodu nie mogłem znaleźć ogólnego przykładu, jak to zrobić w Queuedowolnym miejscu (nawet przykłady dokumentów Pythona nie spawnują wielu procesów), więc oto, co udało mi się wykonać po 10 próbach:

def add_helper(queue, arg1, arg2): # the func called in child processes
    ret = arg1 + arg2
    queue.put(ret)

def multi_add(): # spawns child processes
    q = Queue()
    processes = []
    rets = []
    for _ in range(0, 100):
        p = Process(target=add_helper, args=(q, 1, 2))
        processes.append(p)
        p.start()
    for p in processes:
        ret = q.get() # will block
        rets.append(ret)
    for p in processes:
        p.join()
    return rets

Queueto blokująca, bezpieczna dla wątków kolejka, której można użyć do przechowywania wartości zwracanych z procesów potomnych. Więc musisz przekazać kolejkę do każdego procesu. Coś mniej oczywiste jest to, że trzeba get()z kolejki przed wami joinprzez ProcessES lub innego kolejka zapełnia się i blokuje wszystko.

Aktualizacja dla osób zorientowanych obiektowo (testowane w Pythonie 3.4):

from multiprocessing import Process, Queue

class Multiprocessor():

    def __init__(self):
        self.processes = []
        self.queue = Queue()

    @staticmethod
    def _wrapper(func, queue, args, kwargs):
        ret = func(*args, **kwargs)
        queue.put(ret)

    def run(self, func, *args, **kwargs):
        args2 = [func, self.queue, args, kwargs]
        p = Process(target=self._wrapper, args=args2)
        self.processes.append(p)
        p.start()

    def wait(self):
        rets = []
        for p in self.processes:
            ret = self.queue.get()
            rets.append(ret)
        for p in self.processes:
            p.join()
        return rets

# tester
if __name__ == "__main__":
    mp = Multiprocessor()
    num_proc = 64
    for _ in range(num_proc): # queue up multiple tasks running `sum`
        mp.run(sum, [1, 2, 3, 4, 5])
    ret = mp.wait() # get all results
    print(ret)
    assert len(ret) == num_proc and all(r == 15 for r in ret)

Dla każdego, kto szuka sposobu na uzyskanie wartości za Processpomocą Queue:

import multiprocessing

ret = {'foo': False}

def worker(queue):
    ret = queue.get()
    ret['foo'] = True
    queue.put(ret)

if __name__ == '__main__':
    queue = multiprocessing.Queue()
    queue.put(ret)
    p = multiprocessing.Process(target=worker, args=(queue,))
    p.start()
    print queue.get()  # Prints {"foo": True}
    p.join()

Wydaje się, że zamiast tego należy użyć klasy multiprocessing.Pool i metod .apply () .apply_async (), map ()

http://docs.python.org/library/multiprocessing.html?highlight=pool#multiprocessing.pool.AsyncResult

Możesz użyć exitwbudowanego, aby ustawić kod zakończenia procesu. Można go uzyskać z exitcodeatrybutu procesu:

import multiprocessing

def worker(procnum):
    print str(procnum) + ' represent!'
    exit(procnum)

if __name__ == '__main__':
    jobs = []
    for i in range(5):
        p = multiprocessing.Process(target=worker, args=(i,))
        jobs.append(p)
        p.start()

    result = []
    for proc in jobs:
        proc.join()
        result.append(proc.exitcode)
    print result

Wynik:

0 represent!
1 represent!
2 represent!
3 represent!
4 represent!
[0, 1, 2, 3, 4]

Żwirowa pakiet ma ładny abstrakcji efektu dźwigni multiprocessing.Pipe, która sprawia, że ten dość prosty:

from pebble import concurrent

@concurrent.process
def function(arg, kwarg=0):
    return arg + kwarg

future = function(1, kwarg=1)

print(future.result())

Przykład z: https://pythonhosted.org/Pebble/#concurrent-decorators

Pomyślałem, że uproszczę najprostsze przykłady skopiowane z góry, pracując dla mnie na Py3.6. Najprostszy to multiprocessing.Pool:

import multiprocessing
import time

def worker(x):
    time.sleep(1)
    return x

pool = multiprocessing.Pool()
print(pool.map(worker, range(10)))

Możesz ustawić liczbę procesów w puli, używając np Pool(processes=5). Domyślnie jest to jednak liczba procesorów, więc pozostaw puste dla zadań związanych z procesorem. (Zadania związane z operacjami we / wy często i tak odpowiadają wątkom, ponieważ wątki w większości czekają, więc mogą współużytkować rdzeń procesora). PoolStosuje również optymalizację porcji .

(Należy zauważyć, że metody roboczej nie można zagnieździć w metodzie. Początkowo zdefiniowałem metodę roboczą w metodzie, która wywołuje wywołanie pool.map, aby zachować ją jako całość, ale potem procesy nie mogły jej zaimportować, i zgłosiło błąd „AttributeError” : Nie można marynować lokalnego obiektu outer_method..inner_method ". Więcej tutaj . Może być wewnątrz klasy.)

(Doceń 'represent!'raczej oryginalne pytanie zadane podczas drukowania time.sleep(), ale bez niego pomyślałem, że jakiś kod działałby równolegle, gdy nie był).

Py3 ProcessPoolExecutorma również dwie linie ( .mapzwraca generator, więc potrzebujesz list()):

from concurrent.futures import ProcessPoolExecutor
with ProcessPoolExecutor() as executor:
    print(list(executor.map(worker, range(10))))

Z prostymi Processes:

import multiprocessing
import time

def worker(x, queue):
    time.sleep(1)
    queue.put(x)

queue = multiprocessing.SimpleQueue()
tasks = range(10)

for task in tasks:
    multiprocessing.Process(target=worker, args=(task, queue,)).start()

for _ in tasks:
    print(queue.get())

Użyj, SimpleQueuejeśli wszystko czego potrzebujesz to puti get. Pierwsza pętla rozpoczyna wszystkie procesy, zanim druga wykona queue.getwywołania blokujące . Nie wydaje mi się, żeby dzwonić p.join().

Proste rozwiązanie:

import multiprocessing

output=[]
data = range(0,10)

def f(x):
    return x**2

def handler():
    p = multiprocessing.Pool(64)
    r=p.map(f, data)
    return r

if __name__ == '__main__':
    output.append(handler())

print(output[0])

Wynik:

[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

Jeśli używasz języka Python 3, możesz użyć go concurrent.futures.ProcessPoolExecutorjako wygodnej abstrakcji:

from concurrent.futures import ProcessPoolExecutor

def worker(procnum):
    '''worker function'''
    print(str(procnum) + ' represent!')
    return procnum


if __name__ == '__main__':
    with ProcessPoolExecutor() as executor:
        print(list(executor.map(worker, range(5))))

Wynik:

0 represent!
1 represent!
2 represent!
3 represent!
4 represent!
[0, 1, 2, 3, 4]

Zmodyfikowałem nieco odpowiedź vartec, ponieważ potrzebowałem uzyskać kody błędów z funkcji. (Dzięki vertec !!! to niesamowita sztuczka)

Można to również zrobić za pomocą, manager.listale myślę, że lepiej jest mieć go w dykcie i przechowywać w nim listę. W ten sposób zachowujemy funkcję i wyniki, ponieważ nie jesteśmy pewni kolejności, w jakiej lista zostanie wypełniona.

from multiprocessing import Process
import time
import datetime
import multiprocessing


def func1(fn, m_list):
    print 'func1: starting'
    time.sleep(1)
    m_list[fn] = "this is the first function"
    print 'func1: finishing'
    # return "func1"  # no need for return since Multiprocess doesnt return it =(

def func2(fn, m_list):
    print 'func2: starting'
    time.sleep(3)
    m_list[fn] = "this is function 2"
    print 'func2: finishing'
    # return "func2"

def func3(fn, m_list):
    print 'func3: starting'
    time.sleep(9)
    # if fail wont join the rest because it never populate the dict
    # or do a try/except to get something in return.
    raise ValueError("failed here")
    # if we want to get the error in the manager dict we can catch the error
    try:
        raise ValueError("failed here")
        m_list[fn] = "this is third"
    except:
        m_list[fn] = "this is third and it fail horrible"
        # print 'func3: finishing'
        # return "func3"


def runInParallel(*fns):  # * is to accept any input in list
    start_time = datetime.datetime.now()
    proc = []
    manager = multiprocessing.Manager()
    m_list = manager.dict()
    for fn in fns:
        # print fn
        # print dir(fn)
        p = Process(target=fn, name=fn.func_name, args=(fn, m_list))
        p.start()
        proc.append(p)
    for p in proc:
        p.join()  # 5 is the time out

    print datetime.datetime.now() - start_time
    return m_list, proc

if __name__ == '__main__':
    manager, proc = runInParallel(func1, func2, func3)
    # print dir(proc[0])
    # print proc[0]._name
    # print proc[0].name
    # print proc[0].exitcode

    # here you can check what did fail
    for i in proc:
        print i.name, i.exitcode  # name was set up in the Process line 53

    # here will only show the function that worked and where able to populate the 
    # manager dict
    for i, j in manager.items():
        print dir(i)  # things you can do to the function
        print i, j