深入读了读python的官方文档，发觉Python自带的multiprocessing模块有很多预制的接口可以方便的实现多个主机之间的通讯，进而实现典型的生产者-消费者模式的分布式任务架构。

之前，为了在Python中实现生产者-消费者模式，往往就会选择一个额外的队列系统，比如rabbitMQ之类。此外，你有可能还要设计一套任务对象的序列化方式以便塞入队列。如果没有队列的支持，那不排除有些同学不得不从socket服务器做起，直接跟TCP/IP打起交道来。

其实multiprocessing.managers中有个BaseManager就为开发者提供了这样一个快速接口。

我们假定的场景是1个生产者(producer.py)+8个消费者(worker.py)的系统，还有一个中央节点负责协调(server.py)实现如下：

server.py

from multiprocessing.managers import BaseManager

import Queue

queue = Queue.Queue() #初始化一个Q，用于消息传递

class QueueManager(BaseManager):

pass

QueueManager.register('get_queue', callable=lambda:queue) # 在系统中发布get_queue这个业务

if __name__ == '__main__':

m = QueueManager(address=('10.239.85.193', 50000),authkey='abr' )

# 监听所有10.239.85.193的50000口

s = m.get_server()

s.serve_forever()

worker.py

from multiprocessing.managers import BaseManager

from multiprocessing import Pool

class QueueManager(BaseManager):

pass

QueueManager.register('get_queue')

def feb(i): #经典的'山羊增殖'

if i < 2: return 1

if i < 5 : return feb(i-1) + feb(i-2)

return feb(i-1) + feb(i-2) - feb(i-5)

def worker(i):

m = QueueManager(address=('10.239.85.193', 50000), authkey='abr')

#连接server

m.connect()

while True:

queue = m.get_queue()

# 获取Q

c = queue.get()

print feb(c)

if __name__ == '__main__':

p = Pool(8) # 分进程启动8个worker

p.map(worker, range(8))

producer.py

from multiprocessing.managers import BaseManager

class QueueManager(BaseManager):

pass

QueueManager.register('get_queue')

if __name__ == '__main__':

m = QueueManager(address=('10.239.85.193', 50000), authkey='abr')

m.connect()

i = 0

while True:

queue = m.get_queue()

queue.put(48)

i+=1

系统会直接将Queue() 对象中的数据直接封装后通过TCP 50000端口在主机之间传递。不过需要注意的是，由于authkey的缘故，各个节点要求python的版本一致。

您可能感兴趣的文章:在Python程序中实现分布式进程的教程用python + hadoop streaming 分布式编程(一) — 原理介绍，样例程序与本地调试win10下python3.5.2和tensorflow安装环境搭建教程Pipenv一键搭建python虚拟环境的方法Linux下搭建Spark 的 Python 编程环境的方法Python搭建Spark分布式集群环境