由于Python解释器中使用了内部的GIL全局解释器锁，使得Python多线程的并发在任意时刻只允许单个CPU来运行，这样的运行方式会影响程序的并发。
当程序是在I/O密集时，CPU可能会有更多的空闲处理多线程的并发，这种情况下一般是没有问题的。如果是大量计算密集型的应用，如果使用多线程来并发，性能会大大降低，这个时候，我们就得考虑使用进程Process来进行编程及通信了。
import time, os
from multiprocessing import Process
def clock(x,y):
for i in range(x):
print('当前时间=={0}'.format(time.ctime()))
time.sleep(y)
if __name__ == '__main__':
p = Process(target=clock,args=(5,1))
p.start()
p.join()
import time, os
from multiprocessing import Process
class ClockProcess(Process):
def __init__(self,x,y):
Process.__init__(self)
self.x=x
self.y=y
def run(self):
for i in range(self.x):
print('{0}=={1}'.format(os.getpid(),time.ctime()))
time.sleep(self.y)
if __name__ == '__main__':
p = ClockProcess(5,1)
p1= ClockProcess(5,1)
p.start()
p1.start()
p.join()
p1.join()
通过Process类创建实例，然后传函数创建进程，另一种是继承Process类，然后重写run()方法创建要执行的任务。
from multiprocessing import Pool
import os
def clock(k):
for i in range(k):
print('{0}当前时间=={1}'.format(os.getpid(),time.ctime()))
time.sleep(k)
if __name__ == '__main__':
l = [1 for i in range(20)]# 列表推导出一个列表对象
with Pool(5) as p:
p.map(clock,l)
进程池方便创建多进程进行操作，创建使用也是比较简单的，使用时可以根据应用场景对线程的控制要求来选择线程的创建方式。
Python为线程提供了Queue、Pipes等多种方式来交换数据，我们以Queue为例来演示学习一下进程间的通信及协作，稍后我们还要做分布式多进程的演示。
Queue进程间通信演示：
import multiprocessing as mp
import time, os
from queue import Queue
def prt_q(q):
'''消费者打印数据'''
while True:
v = q.get()
print(v)
time.sleep(0.1)
def wrt_q(q):
'''生产者添加数据'''
for k in ['aa','bb','cc','dd','ee','ff','gg']:
print("{0}已经加入到队列中".format(k))
q.put(k)
time.sleep(0.2)
if __name__ == '__main__':
q = Queue()
wrt_q(q)
p = mp.Process(target=prt_q, args=(q,))
p.start()
p.join()
Queue的使用其实就是生产者与消费者的模式，上边的代码运行后会有死锁，请按ctrl+c强制停止程序运行。
Python的进程有个很强大的地方，就是通过简单的配置就可以进行分布式多进程，这点是很吸引人的，稍后我会有一个篇幅来介绍一下分布式多进程。