15多处理的简单应用

import multiprocessing

'''
多处理最适合于有CPU约束任务的场景，这些任务可以划分为独立的子任务。以下是多处理可能有益的一些情况：  
CPU密集型计算：如果您有可以并行化的计算密集型任务，如数学计算、图像处理或模拟，多处理可以帮助在多个CPU核心之间分配工作负载，并可能减少总体执行时间。  
并行处理：当您有一个大型数据集或一组可以同时处理的独立任务时，可以使用多处理在多个进程之间划分工作负载，从而实现更快的处理和改进的性能。  
批处理：如果您需要处理大量文件或对一组数据执行重复任务，可以使用多处理将工作负载分布在多个进程中，从而加快执行速度并提高效率。 
科学计算：许多科学计算库和框架，如NumPy、SciPy和TensorFlow，都是为了利用多处理而设计的。这些库通常提供数学运算和算法的并行实现，允许在多核系统上进行高效计算。  
Web抓取或API请求：当执行Web抓取或发出多个API请求时，可以使用多处理来并行化请求，从而加快数据检索并提高效率。  
需要注意的是，并非所有任务都能从多处理中受益。I/O绑定任务，如读取或写入文件、发出网络请求或与数据库交互，可能不会从多处理中看到显著的性能改进，因为它们主要受到I/O操作速度而非CPU处理能力的限制。  
此外，还应考虑进程创建和进程间通信的开销。如果开销超过了并行化的好处，那么多处理可能不是最有效的方法。  
在实现多处理之前，建议对代码进行评测和基准测试，以确定任务是否适合并行化，并评估潜在的性能提升。


总的来说使用场景:就是把任务可以划分为独立的子任务，并行处理可以提升效率的。
不建议使用场景:大量I/O绑定任务或涉及大量进程间通信的任务,不建议使用多处理，进程通信会消耗大量资源，而io密集任务会让进程在等待执行，当创建
大量时会导致系统资源大量耗尽。
'''


def worker(num):
    """A simple function to simulate some work"""
    result = num * 2
    print(f"Worker: {result}")


if __name__ == "__main__":
    # Create a Pool of processes
    pool = multiprocessing.Pool()

    # Submit tasks to the Pool
    for i in range(5):
        pool.apply_async(worker, args=(i,))

    # Close the Pool and wait for the tasks to complete
    # 关闭进程池
    pool.close()
    # 等待子进程结束后，结束主进程。
    pool.join()