本文目录一览：
- 1、python3.4.3 多进程之间结果变量的传递问题，程序无任何结果输出
- 2、关于Python数据进程间共享
- 3、Python多进程运行——Multiprocessing基础教程2
python3.4.3 多进程之间结果变量的传递问题，程序无任何结果输出
多进程间共享的变量要使用特殊的数据结构，在multiprocessing包里有提供，常用的有Queue, Value, Array等，这里比较适合用Queue
修改后的程序如下，注意Result赋值，和ProcessCheck的参数
另外，Result要排序后输出的话，要用循环从Queue取值构建list再排序，这里省略了
import datetime
import sys
import time
import multiprocessing
PartStart = [] #每个process计算的起点
PartEnd = [] #每个process计算的终点
Result = multiprocessing.Queue() #所有结果存储在Result数组中
ProcessCount = 10 #进程数
EndNum = 9999999 #计算范围，默认100开始，终止数可以任意修改，大于100即可
print('Start:%s' %datetime.datetime.now().strftime("%Y/%d/%m %H:%M:%S"))
start=time.time()
d=int(((EndNum-99)/ProcessCount)+0.5)
for i in range(ProcessCount):
PartStart.append(100+i*d)
PartEnd.append(PartStart[i]+d-1)
PartEnd[ProcessCount-1]=EndNum
#==========================================
#这段代码只是计算每个process的计算起点和终点
def CheckNum(Number):
tmp=str(Number)
len_num=len(tmp)
sum_num = 0
for i in range(len_num):
sum_num=sum_num+(int(tmp[i])**len_num)
if sum_num==int(Number):
return True
#print(Number,"是水仙花数")
else:
return False
#print(Number,"不是水仙花数")
def ProcessCheck(Start,End, Result):
for j in range(int(Start),int(End)+1):
if CheckNum(j):
#print(j,"是水仙花数")
print("hello world")
Result.put(str(j)+"是水仙花数")
#============================================
#这段代码用于计算某数值区间内的水仙花数，并存储进result数组中，也是每个process运行的代码
def main():
threads=[]
for i in range(ProcessCount):
p=multiprocessing.Process(target=ProcessCheck, args=(PartStart[i],PartEnd[i], Result))
threads.append(p)
for i in range(ProcessCount):
threads[i].start()
for i in range(ProcessCount):
threads[i].join()
#Result.sort(key=lambda t:t[0])
for i in range(Result.qsize()):
print(Result.get())
#将最后的结果排序输出，但没有任何结果出现
end = time.time()
input('End:%s' %datetime.datetime.now().strftime("%Y/%d/%m %H:%M:%S")+"n"+"共耗时："+str(end-start))
#这个input没有任何意义，主要是防止程序直接结束退出
if __name__ == '__main__':
main()
关于Python数据进程间共享
如果两个py运行在两个不同的解释器，应该没有办法直接共享，只能通过转发，如果数据可以序列化，可考虑存储到数据库，其他程序读取
Python多进程运行——Multiprocessing基础教程2
上篇文章简单介绍了multiprocessing模块，本文将要介绍进程之间的数据共享和信息传递的概念。
在多进程处理中，所有新创建的进程都会有这两个特点：独立运行，有自己的内存空间。
我们来举个例子展示一下：
这个程序的输出结果是：
在上面的程序中我们尝试在两个地方打印全局列表result的内容：
我们再用一张图来帮助理解记忆不同进程间的数据关系：
如果程序需要在不同的进程之间共享一些数据的话，该怎么做呢？不用担心，multiprocessing模块提供了Array对象和Value对象，用来在进程之间共享数据。
所谓Array对象和Value对象分别是指从共享内存中分配的ctypes数组和对象。我们直接来看一个例子，展示如何用Array对象和Value对象在进程之间共享数据：
程序输出的结果如下：
成功了！主程序和p1进程输出了同样的结果，说明程序中确实完成了不同进程间的数据共享。那么我们来详细看一下上面的程序做了什么：
在主程序中我们首先创建了一个Array对象：
向这个对象输入的第一个参数是数据类型：i表示整数，d代表浮点数。第二个参数是数组的大小，在这个例子中我们创建了包含4个元素的数组。
类似的，我们创建了一个Value对象：
我们只对Value对象输入了一个参数，那就是数据类型，与上述的方法一致。当然，我们还可以对其指定一个初始值（比如10），就像这样：
随后，我们在创建进程对象时，将刚创建好的两个对象：result和square_sum作为参数输入给进程：
在函数中result元素通过索引进行数组赋值，square_sum通过 value 属性进行赋值。
注意：为了完整打印result数组的结果，需要使用 result[:] 进行打印，而square_sum也需要使用 value 属性进行打印：
每当python程序启动时，同时也会启动一个服务器进程。随后，只要我们需要生成一个新进程，父进程就会连接到服务器并请求它派生一个新进程。这个服务器进程可以保存Python对象，并允许其他进程使用代理来操作它们。
multiprocessing模块提供了能够控制服务器进程的Manager类。所以，Manager类也提供了一种创建可以在不同流程之间共享的数据的方法。
服务器进程管理器比使用共享内存对象更灵活，因为它们可以支持任意对象类型，如列表、字典、队列、值、数组等。此外，单个管理器可以由网络上不同计算机上的进程共享。
但是，服务器进程管理器的速度比使用共享内存要慢。
让我们来看一个例子：
这个程序的输出结果是：
我们来理解一下这个程序做了什么：首先我们创建了一个manager对象
在with语句下的所有行，都是在manager对象的范围内的。接下来我们使用这个manager对象创建了列表（类似的，我们还可以用 manager.dict() 创建字典）。
最后我们创建了进程p1（用于在records列表中插入一条新的record）和p2（将records打印出来），并将records作为参数进行传递。
服务器进程的概念再次用下图总结一下：
为了能使多个流程能够正常工作，常常需要在它们之间进行一些通信，以便能够划分工作并汇总最后的结果。multiprocessing模块支持进程之间的两种通信通道：Queue和Pipe。
使用队列来回处理多进程之间的通信是一种比较简单的方法。任何Python对象都可以使用队列进行传递。我们来看一个例子：
上面这个程序的输出结果是：
我们来看一下上面这个程序到底做了什么。首先我们创建了一个Queue对象：
然后，将这个空的Queue对象输入square_list函数。该函数会将列表中的数平方，再使用 put() 方法放入队列中：
随后使用 get() 方法，将q打印出来，直至q重新称为一个空的Queue对象：
我们还是用一张图来帮助理解记忆：
一个Pipe对象只能有两个端点。因此，当进程只需要双向通信时，它会比Queue对象更好用。
multiprocessing模块提供了 Pipe() 函数，该函数返回由管道连接的一对连接对象。 Pipe() 返回的两个连接对象分别表示管道的两端。每个连接对象都有 send() 和 recv() 方法。
我们来看一个例子：
上面这个程序的输出结果是：
我们还是来看一下这个程序到底做了什么。首先创建了一个Pipe对象：
与上文说的一样，该对象返回了一对管道两端的两个连接对象。然后使用 send() 方法和 recv() 方法进行信息的传递。就这么简单。在上面的程序中，我们从一端向另一端发送一串消息。在另一端，我们收到消息，并在收到END消息时退出。
要注意的是，如果两个进程(或线程)同时尝试从管道的同一端读取或写入管道中的数据，则管道中的数据可能会损坏。不过不同的进程同时使用管道的两端是没有问题的。还要注意，Queue对象在进程之间进行了适当的同步，但代价是增加了计算复杂度。因此，Queue对象对于线程和进程是相对安全的。
最后我们还是用一张图来示意：
Python的multiprocessing模块还剩最后一篇文章：多进程的同步与池化
敬请期待啦！