Python 多处理池：何时使用apply、apply\u async或map？
我还没有看到关于和的用例的清晰示例。我主要使用Python 多处理池：何时使用apply、apply\u async或map？,python,multithreading,concurrency,multiprocessing,Python,Multithreading,Concurrency,Multiprocessing,我还没有看到关于和的用例的清晰示例。我主要使用Pool.map；其他函数的优点是什么？回到Python的旧时代，要使用任意参数调用函数，可以使用apply： apply(f,args,kwargs) apply在Python2.7中仍然存在，但在Python3中没有，并且通常不再使用。如今, f(*args,**kwargs) 是首选。多处理.Pool模块试图提供类似的接口 Pool.apply类似于Pythonapply，只是函数调用是在单独的进程中执行的池。应用块，直到功能完成 Pool
Pool.mapapplyapply(f,args,kwargs)
applyf(*args,**kwargs)
多处理.PoolPool.applyapplyPool.apply\u asyncapplyAsyncResultget（）get（）pool.apply（func，args，kwargs）pool.apply\u async（func，args，kwargs）.get（）
与Pool.apply
不同，Pool.apply\u async
方法还有一个回调函数，如果提供了回调函数，则在函数完成时调用。这可以用来代替调用get（）
例如：
import multiprocessing as mp
import time
def foo_pool(x):
time.sleep(2)
return x*x
result_list = []
def log_result(result):
# This is called whenever foo_pool(i) returns a result.
# result_list is modified only by the main process, not the pool workers.
result_list.append(result)
def apply_async_with_callback():
pool = mp.Pool()
for i in range(10):
pool.apply_async(foo_pool, args = (i, ), callback = log_result)
pool.close()
pool.join()
print(result_list)
if __name__ == '__main__':
apply_async_with_callback()
可能产生如下结果：
[1, 0, 4, 9, 25, 16, 49, 36, 81, 64]
注意，与pool.map
不同，结果的顺序可能与pool.apply\u async
调用的顺序不一致
因此，如果需要在单独的进程中运行函数，但希望当前进程在该函数返回之前阻止，请使用Pool.apply
。像Pool.apply
，Pool.map
阻塞，直到返回完整的结果
如果希望工作进程池异步执行许多函数调用，请使用Pool.apply\u async
。结果的顺序不保证与调用池的顺序相同。应用异步
还请注意，您可以使用池调用许多不同的函数。apply_async
（并非所有调用都需要使用相同的函数）
相反，Pool.map
对许多参数应用相同的函数。
但是，与Pool.apply\u async
不同，结果是按照与参数顺序相对应的顺序返回的。关于apply
vsmap
：
pool.apply（f，args）
：f
仅在池的一个辅助进程中执行。因此池中的一个进程将运行f（args）
pool.map（f，iterable）
：此方法将iterable分割成若干块，并作为单独的任务提交给进程池。因此，您可以利用池中的所有进程。以下是表格格式的概述，以显示池、应用池、应用异步、应用异步池、映射池和池、映射异步。选择一个参数时，必须考虑多参数、并发性、阻塞和排序：
| Multi-args Concurrence Blocking Ordered-results
---------------------------------------------------------------------
Pool.map | no yes yes yes
Pool.map_async | no yes no yes
Pool.apply | yes no yes no
Pool.apply_async | yes yes no no
Pool.starmap | yes yes yes yes
Pool.starmap_async| yes yes no no
笔记：
Pool.imap
和Pool.imap\u async
——map和map\u async的更懒惰版本Pool.starmap
方法，除了接受多个参数之外，它与map方法非常相似Async
方法一次提交所有进程，并在完成后检索结果。使用get方法获得结果Pool.map
（或Pool.apply
）方法与Python内置的map（或apply）非常相似。它们阻塞主进程，直到所有进程完成并返回结果
示例：
地图
一次调用一个作业列表
results = pool.map(func, [1, 2, 3])
pool.map_async(func, jobs, callback=collect_result)
应用
只能要求一份工作
for x, y in [[1, 1], [2, 2]]:
results.append(pool.apply(func, (x, y)))
def collect_result(result):
results.append(result)
映射异步
一次调用一个作业列表
results = pool.map(func, [1, 2, 3])
pool.map_async(func, jobs, callback=collect_result)
应用异步
只能为一个作业调用，并在后台并行执行作业
for x, y in [[1, 1], [2, 2]]:
pool.apply_async(worker, (x, y), callback=collect_result)
星图
是支持多个参数的pool.map
的变体
pool.starmap(func, [(1, 1), (2, 1), (3, 1)])
星图异步
starmap（）和map_async（）的组合，迭代iterable中的iterable并在iterable解包时调用func。返回一个结果对象
pool.starmap_async(calculate_worker, [(1, 1), (2, 1), (3, 1)], callback=collect_result)
参考：
在这里可以找到完整的文档：在Windows上，如果在使用回调（）应用异步（apply_async）之前
，那么在中是否应该有。map\u async怎么样？看看里面，你会看到Pool.map（func，iterable）
相当于Pool.map\u async（func，iterable）.get（）
。因此，Pool.map
和Pool.map\u async
之间的关系类似于Pool.apply
和Pool.apply\u async
之间的关系。async
命令立即返回，而非async
命令阻塞。async
命令也有一个回调。决定使用Pool.map
和Pool.apply
类似于决定在Python中何时使用map
或apply
。你只需要使用适合工作的工具。使用async
和非async
版本取决于您是否希望调用阻止当前进程和/或是否希望使用回调。@false:Yes。对apply\u async
的每次调用都返回一个ApplyResult
对象。调用ApplyResult
的get
方法将返回相关函数的返回值（或者如果调用超时，则提升mp.TimeoutError
），因此如果将ApplyResult
放入有序列表中，则调用它们的get
方法将以相同的顺序返回结果。您可以使用pool.map