三言兩語說透設(shè)計模式的藝術(shù)-簡單工廠模式
一、寫在前面工廠模式是最常見的一種創(chuàng)建型設(shè)計模式，通常說的工廠模式指的是工廠方法模式，是使用頻率最高的工廠模式。簡單工廠模式又稱為靜態(tài)工廠方法模式，不屬于GoF 23種設(shè)計
在Python的世界里，如果你想要提升程序運行效率，尤其是處理大量數(shù)據(jù)或執(zhí)行耗時任務(wù)時，必然繞不開“并發(fā)”與“并行”這兩個關(guān)鍵詞。它們雖然經(jīng)常被同時提及，但實際含義和應(yīng)用場景卻大相徑庭。今天，我們將深入探討這兩者的區(qū)別，并通過剖析Python內(nèi)置的multiprocessing模塊，揭示如何利用并行編程技巧，讓Python程序如虎添翼。
并發(fā)，簡單來說，就是“同時做多件事”。它并不意味著所有事情都在同一時刻發(fā)生，而是指系統(tǒng)能夠在多個任務(wù)之間快速切換，給用戶造成“同時進行”的錯覺。比如，你在瀏覽網(wǎng)頁的同時聽音樂，盡管CPU可能在同一時間只能處理一個任務(wù)，但通過高效的調(diào)度機制，讓你感覺兩者是同步進行的。
并行，則是真正意義上的“同時做多件事”。它依賴于硬件支持，如多核CPU或多臺計算機，能夠?qū)⑷蝿?wù)分解成多個部分，分別在不同的處理器上獨立執(zhí)行。并行執(zhí)行能夠顯著提高計算密集型任務(wù)的處理速度，充分利用硬件資源。
在Python中，實現(xiàn)并發(fā)編程的一個常見手段是使用多線程。以threading模塊為例，我們可以通過創(chuàng)建Thread對象來啟動一個新的線程：
import threadingdef thread_function(name): print(f"Thread {name}: starting") # 執(zhí)行耗時操作... print(f"Thread {name}: finishing")# 創(chuàng)建并啟動兩個線程for i in range(2): t = threading.Thread(target=thread_function, args=(i,)) t.start()然而，Python的多線程并發(fā)受到全局解釋器鎖（Global Interpreter Lock, GIL）的制約。GIL是為了保護內(nèi)存安全而引入的一把“大鎖”，它確保任何時候只有一個線程在執(zhí)行Python字節(jié)碼。這意味著在單個進程中，即使有多個線程，也無法實現(xiàn)真正的并行計算。對于CPU密集型任務(wù)，多線程并發(fā)往往無法帶來性能提升。
為了解決GIL帶來的限制，Python提供了multiprocessing模塊，它利用操作系統(tǒng)提供的進程機制，允許我們在不同進程中并行執(zhí)行任務(wù)，從而規(guī)避GIL的影響。每個進程都有自己的Python解釋器和內(nèi)存空間，可以在多核CPU上真正實現(xiàn)并行計算。
multiprocessing的核心是Process類，用于創(chuàng)建新進程：
from multiprocessing import Processdef long_running_task(): # 執(zhí)行耗時操作...if __name__ == "__main__": p = Process(target=long_running_task) p.start() # 啟動進程 p.join() # 等待進程結(jié)束進程間通信是并行編程的重要環(huán)節(jié)。multiprocessing提供了多種方式：
對于大量相似任務(wù)的處理，可以使用Pool對象創(chuàng)建一個進程池，避免頻繁創(chuàng)建銷毀進程的開銷：
from multiprocessing import Pooldef process_data(data): # 對data進行處理...if __name__ == "__main__": with Pool(4) as pool: # 創(chuàng)建包含4個進程的進程池 results = pool.map(process_data, data_list) # 將data_list中的每個元素分發(fā)給進程池中的進程處理假設(shè)我們需要對一個大數(shù)組進行平方運算，可以利用Pool.map()方法實現(xiàn)并行計算：
import numpy as npfrom multiprocessing import Pooldef square(number): return number ** 2if __name__ == "__main__": data = np.random.randint(1, 100, size=100000) with Pool(4) as pool: squared_data = pool.map(square, data)若需處理異步任務(wù)，如網(wǎng)絡(luò)請求，可以結(jié)合concurrent.futures模塊實現(xiàn)：
import concurrent.futuresfrom multiprocessing import Pooldef fetch_url(url): # 發(fā)送網(wǎng)絡(luò)請求并返回結(jié)果...if __name__ == "__main__": with concurrent.futures.ProcessPoolExecutor(max_workers=4) as executor: with Pool(4) as pool: future_to_url = {executor.submit(fetch_url, url): url for url in url_list} for future in concurrent.futures.as_completed(future_to_url): url = future_to_url[future] try: data = future.result() # 處理數(shù)據(jù)... except Exception as exc: print(f"{url} generated an exception: {exc}")為了協(xié)調(diào)多個進程間的協(xié)作，multiprocessing提供了多種同步原語：
當(dāng)子進程發(fā)生異常或主動退出時，可以通過捕獲Process對象的exitcode屬性或注冊Process對象的join()方法的回調(diào)函數(shù)進行處理。
Python并發(fā)與并行編程雖有區(qū)別，但都是提升程序效率的有效手段。理解并掌握multiprocessing模塊，能幫助我們編寫出高效、穩(wěn)定的并行程序。在實踐中，應(yīng)注意合理選擇并發(fā)模型，妥善處理進程間通信與同步問題，以及應(yīng)對可能出現(xiàn)的子進程異常情況。通過不斷實踐與優(yōu)化，你的Python程序?qū)⒛茉诙嗪薈PU上飛速奔跑，輕松應(yīng)對各類復(fù)雜任務(wù)。
本文鏈接：http://www.www897cc.com/showinfo-26-87494-0.htmlPython并發(fā)與并行：multiprocessing模塊大揭秘
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號