文章目录
简介
分布式进程指的是将Process进程分布到多台机器上，充分利用多台机器的性能完成复杂的任务。我们可以将这一点应用到分布式爬虫的开发中。
分布式进程在Python中依然要用到 multiprocessing 模块。multiprocessing模块不但支持多进程，其中managers子模块还支持把多进程分布到多台机器上。可以写一个服务进程作为调度者，将任务分布到其他多个进程中，依靠网络通信进行管理。举个例子：在做爬虫程序时，常常会遇到这样的场景，我们想抓取某个网站
的所有图片，如果使用多进程的话，一般是一个进程负责抓取图片的链接地址，将链接地址存放到Queue中，另外的进程负责从Queue中读取链接地址进行下载和存储到本地。现在把这个过程做成分布式，一台机器上的进程负责抓取链接，其他机器上的进程负责下载存储。那么遇到的主要问题是将Queue暴露到网络中，让其他机器进程都可以访问，分布式进程就是将这一个过程进行了封装，我们可以将这个过程称为本地队列的网络化。整体过程如图1-24所示。
要实现上面例子的功能，创建分布式进程需要分为六个步骤：
建立队列Queue，用来进行进程间的通信。服务进程创建任务队列task_queue，用来作为传递任务给任务进程的通道；服务进程创建结果队列result_queue，作为任务进程完成任务后回复服务进程的通道。在分布式多进程环
境下，必须通过由Queuemanager获得的Queue接口来添加任务。
把第一步中建立的队列在网络上注册，暴露给其他进程（主机），注册后获得网络队列，相当于本地队列的映像。
建立一个对象（Queuemanager（BaseManager））实例manager，绑定端口和验证口令。
启动第三步中建立的实例，即启动管理manager，监管信息通道。
通过管理实例的方法获得通过网络访问的Queue对象，即再把网络队列实体化成可以使用的本地队列。
创建任务到“本地”队列中，自动上传任务到网络队列中，分配给任务进程进行处理。接下来通过程序实现上面的例子（Linux版），首先编写的是服务进程（taskManager.py），代码如下：
import random,time,Queue from multiprocessing.managers import BaseManager # 第一步：建立task_queue和result_queue，用来存放任务和结果 task_queue=Queue.Queue() result_queue=Queue.Queue() class Queuemanager(BaseManager): pass # 第二步：把创建的两个队列注册在网络上，利用register方法，callable参数关联了Queue对象， # 将Queue对象在网络中暴露 Queuemanager.register('get_task_queue',callable=lambda:task_queue) Queuemanager.register('get_result_queue',callable=lambda:result_queue) # 第三步：绑定端口8001，设置验证口令‘qiye’。这个相当于对象的初始化 manager=Queuemanager(address=('',8001),authkey='qiye') # 第四步：启动管理，监听信息通道 manager.start() # 第五步：通过管理实例的方法获得通过网络访问的Queue对象 task=manager.get_task_queue() result=manager.get_result_queue() # 第六步：添加任务 for url in ["ImageUrl_"+i for i in range(10)]: print 'put task %s ...' %url task.put(url) # 获取返回结果 print 'try get result...' for i in range(10): print 'result is %s' %result.get(timeout=10) # 关闭管理 manager.shutdown()
任务进程已经编写完成，接下来编写任务进程（taskWorker.py），创建任务进程的步骤相对较少，需要四个步骤：
使用QueueManager注册用于获取Queue的方法名称，任务进程只能通过名称来在网络上获取Queue。
连接服务器，端口和验证口令注意保持与服务进程中完全一致。
从网络上获取Queue，进行本地化。
从task队列获取任务，并把结果写入result队列
程序taskWorker.py代码（win/linux版）如下：
# coding:utf-8 import time from multiprocessing.managers import BaseManager # 创建类似的QueueManager: class QueueManager(BaseManager): pass # 第一步：使用QueueManager注册用于获取Queue的方法名称 QueueManager.register('get_task_queue') QueueManager.register('get_result_queue') # 第二步：连接到服务器: server_addr = '127.0.0.1' print('Connect to server %s...' % server_addr) # 端口和验证口令注意保持与服务进程完全一致: m = QueueManager(address=(server_addr, 8001), authkey='qiye') # 从网络连接: m.connect() # 第三步：获取Queue的对象: task = m.get_task_queue() result = m.get_result_queue() # 第四步：从task队列获取任务,并把结果写入result队列: while(not task.empty()): image_url = task.get(True,timeout=5) print('run task download %s...' % image_url) time.sleep(1) result.put('%s--->success'%image_url) # 处理结束: print('worker exit.')
最后开始运行程序，先启动服务进程taskManager.py，运行结果如下：
put task ImageUrl_0 ... put task ImageUrl_1 ... put task ImageUrl_2 ... put task ImageUrl_3 ... put task ImageUrl_4 ... put task ImageUrl_5 ... put task ImageUrl_6 ... put task ImageUrl_7 ... put task ImageUrl_8 ... put task ImageUrl_9 ... try get result...
接着再启动任务进程taskWorker.py，运行结果如下：
Connect to server 127.0.0.1... run task download ImageUrl_0... run task download ImageUrl_1... run task download ImageUrl_2... run task download ImageUrl_3... run task download ImageUrl_4... run task download ImageUrl_5... run task download ImageUrl_6... run task download ImageUrl_7... run task download ImageUrl_8... run task download ImageUrl_9... worker exit.
当任务进程运行结束后，服务进程运行结果如下：
result is ImageUrl_0--->success result is ImageUrl_1--->success result is ImageUrl_2--->success result is ImageUrl_3--->success result is ImageUrl_4--->success result is ImageUrl_5--->success result is ImageUrl_6--->success result is ImageUrl_7--->success result is ImageUrl_8--->success result is ImageUrl_9--->success
其实这就是一个简单但真正的分布式计算，把代码稍加改造，启动多个worker，就可以把任务分布到几台甚至几十台机器上，实现大规模的分布式爬虫。
注意 由于平台的特性，创建服务进程的代码在Linux和Windows上有一些不同，创建工作进程的代码是一致的。
taskManager.py程序在Windows版下的代码如下：
# coding:utf-8 # taskManager.py for windows import queue from multiprocessing.managers import BaseManager from multiprocessing import freeze_support # 任务个数 task_number = 10 # 定义收发队列 task_queue = queue.Queue(task_number); result_queue = queue.Queue(task_number); def get_task(): return task_queue def get_result(): return result_queue # 创建类似的QueueManager: class QueueManager(BaseManager): pass def win_run(): # Windows下绑定调用接口不能使用lambda，所以只能先定义函数再绑定 QueueManager.register('get_task_queue',callable = get_task) QueueManager.register('get_result_queue',callable = get_result) # 绑定端口并设置验证口令，Windows下需要填写IP地址，Linux下不填默认为本地 manager = QueueManager(address = ('127.0.0.1',8001)) # 启动 manager.start() try: # 通过网络获取任务队列和结果队列 task = manager.get_task_queue() result = manager.get_result_queue() # 添加任务 for url in ["ImageUrl_"+str(i) for i in range(10)]: print('put task %s ...' %url) task.put(url) print('try get result...') for i in range(10): print('result is %s' %result.get(timeout=10)) except: print('Manager error') finally: # 一定要关闭，否则会报管道未关闭的错误 manager.shutdown() if __name__ == '__main__': # Windows下多进程可能会有问题，添加这句可以缓解 freeze_support() win_run()
输出
$ python taskManager_win.py put task ImageUrl_0 ... put task ImageUrl_1 ... put task ImageUrl_2 ... put task ImageUrl_3 ... put task ImageUrl_4 ... put task ImageUrl_5 ... put task ImageUrl_6 ... put task ImageUrl_7 ... put task ImageUrl_8 ... put task ImageUrl_9 ... try get result...
