1. 需求分析

1.1. 概述

基于Flask、Pika、Multiprocessing、Thread搭建一个架构，完成多线程、多进程工作。具体需求如下：

1. 并行计算任务：使用multiprocessing模块实现并行计算任务，提高计算效率、计算能力。
2. 消息侦听任务：使用threading模块完成RabbitMQ消息队列的侦听任务，将接收到的数据放入multiprocessing.Queue中，以便并行计算任务处理。
3. Web服务：使用Flask框架实现Web API服务，提供启停消息侦听任务、启停并行计算任务以及动态调整参数的功能。
4. 任务交互：通过multiprocessing.Queue实现消息侦听任务与并行计算任务之间的资源交互。
5. 非阻塞运行：使用threading模块非阻塞地运行Flask Web服务。

1.2. 多线程与多进程

在Python环境中，多线程和多进程的区别主要体现在并发模型、资源利用、数据共享、以及适用场景等方面。

1.2.1. 并发模型

多线程 (Threading):

• 并发性: 多线程是一种并发模型，多个线程共享同一进程的资源和内存空间，能够在单个进程内并发执行。
• GIL 限制: 由于 Python 的全局解释器锁 (Global Interpreter Lock, GIL)，同一时刻只有一个线程在执行 Python 字节码。这限制了多线程在 CPU 密集型任务中的并行性。
• 适用任务: 适用于 I/O 密集型任务，如网络请求、文件操作等。

多进程 (Multiprocessing):

• 并行性: 多进程是一种并行模型，每个进程都有独立的内存空间和资源，可以在多个 CPU 核心上并行执行。
• 无 GIL 限制: 每个进程有自己的 Python 解释器和 GIL，能够真正实现并行计算，充分利用多核 CPU。
• 适用任务: 适用于 CPU 密集型任务，如计算密集型数据处理。

1.2.2. 资源利用

多线程:

• 内存利用: 线程共享同一进程的内存空间，内存开销较小。创建和销毁线程的成本较低。
• CPU 利用: 由于 GIL 限制，多线程在 Python 中无法充分利用多核 CPU，尤其是在 CPU 密集型任务中。

多进程:

• 内存利用: 每个进程有独立的内存空间，内存开销较大。创建和销毁进程的成本较高。
• CPU 利用: 无 GIL 限制，可以充分利用多核 CPU，适合并行处理 CPU 密集型任务。

1.2.3. 数据共享和通信

多线程:

• 数据共享: 线程共享同一进程的全局变量和内存空间，数据共享容易。
• 同步机制: 由于共享内存，线程之间需要使用锁 (Lock)、条件变量 (Condition) 等同步机制来避免竞争条件和数据不一致。

多进程:

• 数据共享: 进程间不共享内存，数据共享复杂。需要使用进程间通信 (IPC) 机制，如管道 (Pipe)、队列 (Queue)、共享内存 (Shared Memory) 等。
• 同步机制: 使用 IPC 机制进行数据传递和同步。

1.2.4. 适用场景

多线程:

• I/O 密集型任务: 例如网络爬虫、文件读写、数据库操作等。这些任务在等待 I/O 操作完成时可以切换到其他线程继续执行，提高效率。
• 轻量级任务: 由于线程的创建和销毁成本较低，适合处理大量短时任务。

多进程:

• CPU 密集型任务: 例如科学计算、图像处理、大数据分析等。这些任务需要大量计算资源，多进程可以充分利用多核 CPU 并行处理。
• 隔离性要求高的任务: 进程间独立运行，互不影响，适合需要高隔离性的任务。

1.2.5. 常见问题与解决

多线程:

• 死锁: 当多个线程互相等待对方释放锁时，会出现死锁情况。需要设计合理的锁机制或使用死锁检测工具。
• GIL 限制: 对于 CPU 密集型任务，GIL 限制了多线程的并行性。可以通过多进程绕过 GIL 实现并行计算。

多进程:

• 高内存消耗: 每个进程有独立的内存空间，内存使用较高。可以通过共享内存或减少进程数量优化内存使用。
• 进程间通信复杂: 需要使用 IPC 机制进行进程间数据传递，设计和实现较为复杂。可以使用 Python 的 multiprocessing 模块提供的队列、管道等工具简化实现。

1.2.6. 总结

• 多线程: 适合 I/O 密集型任务，内存使用高效，但受 GIL 限制。
• 多进程: 适合 CPU 密集型任务，可以充分利用多核 CPU，但内存消耗较大，进程间通信复杂。

根据任务性质选择合适的并发模型，可以提高程序的效率和性能。

2. 我初步实现多线程多进程核心代码

2.1. 程序结构及代码说明

程序结构原理图：

函数说明：

序号	名称	说明	备注
1	compute_result	计算函数，例如你的优化算法	需要并行处理
2	send_result_to_rabbitmq	发送消息到RabbitMQ
3	consume_from_rabbitmq_and_enqueue	侦听RabbltMQ消息
4	worker	工作进程函数
5	start_listening	启动消息侦听函数	Web API
6	stop_listening	停止消息侦听函数	Web API
7	start_worker	启动工作函数	Web API
8	stop_worker	停止工作函数	Web API

2.2. 示例代码

from flask import Flask, jsonify
from threading import Thread, Event
import multiprocessing
import pika
import json
from loguru import logger

# 创建一个事件来控制侦听
stop_event = Event()

# 定义web服务
app = Flask(__name__)

# 假设这是你的计算函数  
def compute_result(data, pso_params):  
    # 进行计算逻辑，这里简化为返回数据本身
    return {"result": data}

# 发送结果到RabbitMQ的函数  
def send_result_to_rabbitmq(channel, exchange_name, queue_name, routing_key, result):  
    try:
        channel.queue_declare(queue=queue_name, durable=True)
        # 初始化交换机
        channel.exchange_declare(exchange=exchange_name, exchange_type='direct', durable=True)
        channel.queue_bind(queue=queue_name, exchange=exchange_name, routing_key=routing_key)
        channel.basic_publish(
            exchange=exchange_name,
            routing_key=routing_key,
            body=json.dumps(result, ensure_ascii=False),
            properties=pika.BasicProperties(
                delivery_mode=2,  # make message persistent
            )
        )
        logger.info(f"发送结果消息：{result} 到RabbitMQ")
    except pika.exceptions.AMQPError as e:
        logger.error(f"Error sending result to RabbitMQ: {e}")
        raise 

# 从RabbitMQ接收数据并放入队列的函数（生产者）  
def consume_from_rabbitmq_and_enqueue(rabbitmq_params, rabbitmq_queue, data_queue):
    try:
        rabbitmq_connection = pika.BlockingConnection(rabbitmq_params)
    except pika.exceptions.AMQPError as e:
        logger.error(f"Error connecting to RabbitMQ in main process: {e}")
        exit(1)
        
    try:
        channel = rabbitmq_connection.channel()
        channel.queue_declare(queue=rabbitmq_queue, durable=True)
        
        def callback(ch, method, properties, body):
            try:
                data_queue.put(body.decode('utf-8'))
                logger.info(f"接收到消息：{body.decode('utf-8')}")
            except Exception as e:
                logger.error(f"Error putting message into data_queue: {e}")

        channel.basic_consume(queue=rabbitmq_queue, on_message_callback=callback, auto_ack=True)
        
        try:
            while not stop_event.is_set():
                channel.connection.process_data_events(time_limit=1)  # 非阻塞地处理事件  
                # 注意：这里使用了process_data_events()而不是start_consuming()，因为我们需要非阻塞地运行  
        except KeyboardInterrupt:
            channel.stop_consuming()
        finally:
            rabbitmq_connection.close()
    except pika.exceptions.AMQPError as e:
        logger.error(f"Error consuming from RabbitMQ: {e}")
        raise

# 工作进程函数  
def worker(data_queue, rabbitmq_params, target_exchange, target_queue, routing_key, pso_params): 
    logger.info('Worker started') 
    while True:  
        try:  
            data = data_queue.get() 
            print(f'data_queue.get() is {data}') 
            if data is None:  
                break  
              
            result = compute_result(data, pso_params)  
            try:
                workerconnection = pika.BlockingConnection(rabbitmq_params)
                channel = workerconnection.channel()
            except pika.exceptions.AMQPError as e:
                logger.error(f"Error connecting to RabbitMQ in worker: {e}")
                return                          
            send_result_to_rabbitmq(channel, target_exchange, target_queue, routing_key, result)  
        except Exception as e:  
            print(f"An error occurred: {e}")  
    logger.info('Worker finished')

@app.route('/startlistening', methods=['GET'])
def start_listening():
    if stop_event.is_set():
        stop_event.clear()
    if not hasattr(app, 'pika_thread') or not app.pika_thread.is_alive():
        app.pika_thread = Thread(target=consume_from_rabbitmq_and_enqueue, args=(rabbitmq_params, rabbitmq_queue, data_queue))
        app.pika_thread.start()
        return jsonify({'status': 'listening'}), 200
    else:
        return jsonify({'status': 'already listening'}), 200

@app.route('/stoplistening', methods=['GET'])
def stop_listening():
    if hasattr(app, 'pika_thread') and app.pika_thread.is_alive():
        stop_event.set()
        app.pika_thread.join()
        del app.pika_thread
        return jsonify({'status': 'stopped'}), 200  
    else:
        return jsonify({'status': 'not running'}), 400

@app.route('/startworking', methods=['GET'])
def start_worker():
    if len(processes) == 0: 
        for _ in range(3):  
            p = multiprocessing.Process(target=worker, args=(data_queue, rabbitmq_params, target_exchange, target_queue, routing_key, pso_params))  
            p.start()  
            processes.append(p)   
            print(f'process id = {p.pid}')
        return jsonify({'status': 'started working'}), 200
    else:
        return jsonify({'status': 'already working'}), 202

@app.route('/stopworking', methods=['GET'])
def stop_worker():
    for p in processes:
        data_queue.put(None)
    for p in processes:
        p.join()
    processes.clear() 
    return jsonify({'status': 'stopped working'}), 200

if __name__ == "__main__":
    rabbitmq_queue = 'energyStorageStrategy.queue'
    target_queue = 'energyStorageStrategy.queue.typc-fpd-tysh'
    target_exchange = 'energyStorageStrategy.direct'
    routing_key = 'typc-fpd-tysh'
    pso_params = {}  # 假设你的PSO参数

    credentials = pika.PlainCredentials('rabbit', '****')  # mq用户名和密码
    rabbitmq_params = pika.ConnectionParameters('192.168.*.*', port=5671, virtual_host='/typc-fpd-dev', credentials=credentials)

    # 创建一个multiprocessing.Queue用于进程间通信  
    data_queue = multiprocessing.Queue()  

    # 创建工作进程列表
    processes = [] 

    print(' [*] Waiting for messages. To exit press CTRL+C')

    flask_thread = Thread(target=lambda: app.run(host='0.0.0.0', port=5002, debug=True))
    flask_thread.start()
    
    start_worker()
    start_listening()

3. 代码中问题及其他

3.1. 重新启动侦听线程失败

程序没有报错，但是，没有启动侦听服务线程。
详见后续文章，主题是消息侦听与线程。

3.2. 重新启动工作进行报错

AttributeError: Can’t get attribute ‘worker’ on <module ‘main’ (built-in)>
详见后续文章。

3.3. Flask 应用上下文之外操作问题

问题描述：

site-packages\werkzeug\local.py", line 508, in _get_current_object
    raise RuntimeError(unbound_message) from None
RuntimeError: Working outside of application context.

问题解析：
这个错误 RuntimeError: Working outside of application context. 通常发生在 Flask 应用中，当你尝试在 Flask 应用上下文之外执行某些操作时。在 Flask 中，应用上下文是一个用于存储当前应用相关信息的对象，比如配置和 URL 映射。当你调用 jsonify 或其他依赖于应用上下文的函数时，必须确保你处于应用上下文中。

在你的代码中，这个错误很可能是因为 start_listening 函数被设计为在 Flask 路由之外的地方被调用，或者是在 Flask 请求处理流程之外被调用。

解决办法：

    with app.app_context():
        start_worker()
        start_listening()

使用 app.app_context() 来手动创建一个应用上下文。

3.4. Linux环境防火墙

在Linux环境中，别忘了打开防火墙的端口：

root@DeepLearning pvet]# sudo iptables -I INPUT -p tcp --dport 5003 -j ACCEPT

4. 总结

1. 模块化：将不同的功能模块化，便于维护和扩展。
2. 多进程与多线程结合：使用multiprocessing实现并行计算任务，使用threading实现RabbitMQ消息侦听和Flask Web服务的非阻塞运行。
3. 进程间通信：通过multiprocessing.Queue实现消息侦听任务与并行计算任务之间的资源交互。
4. 事件控制：通过threading.Event控制消息侦听任务的启停。

这种架构设计能够满足需求，并且具有较好的扩展性和可维护性。如果有更多具体的需求或优化，可以在此基础上进一步完善。