Summary  
This chapter covers process-based parallelism in Python using the multiprocessing module: creating, starting, and joining processes, along with interprocess communication through queues.  

General domain of usage  
CPU-bound tasks such as data crunching

Picture your Python process as a restaurant franchise, not just a single kitchen. In multiprocessing, you don't just hire more chefs for one kitchen—you actually open several kitchens in different buildings. Each kitchen (process) has its own chef, fridge, stove, and even its own 'Master Knife'—there's no sharing. This means Chef A in Kitchen A and Chef B in Kitchen B can both chop, cook, and serve at the same time, truly in parallel, because they're not waiting for a shared resource like the GIL in threading.

This is the core advantage of multiprocessing: each process runs in its own memory space, so they never bump into each other. It's perfect for heavy tasks such as mathematical calculations, image processing, or data crunching, where real parallelism can speed things up dramatically.

However, if Chef A in Kitchen A needs to pass an ingredient to Chef B in Kitchen B, it's not as easy as just handing it over the counter. They need a delivery truck—this is Inter-Process Communication (IPC). IPC is slow and expensive compared to sharing ingredients in the same kitchen, so you should only use it when necessary.

Let's see how this looks in Python using the multiprocessing module. First, you'll see how to launch two processes that each perform a task in parallel:

```python
from multiprocessing import Process
import time

def print_numbers(name):
    for i in range(1, 4):
        print(f"Process {name}: {i}")
        time.sleep(0.5)

# Create process objects
p1 = Process(target=print_numbers, args=("A",))
p2 = Process(target=print_numbers, args=("B",))
```

Each process is like a chef in their own kitchen. Next, start and join the processes:

```python
p1.start()
p2.start()

p1.join()
p2.join()

print("Both processes have finished.")
```

The output will show both processes running in parallel, with their print statements interleaved. This is true parallelism—each process is independent and can use the CPU at the same time.

But what if you need to share data? You must use special tools, like queues or pipes, which act like delivery trucks between kitchens. Here's how to use a queue for IPC:

```python
from multiprocessing import Process, Queue

def worker(q):
    q.put('Ingredient from worker')

queue = Queue()
p = Process(target=worker, args=(queue,))
p.start()
print(queue.get())
p.join()
```

This approach is slower than simply sharing data between threads, so use multiprocessing when you need real parallelism for CPU-heavy tasks, and keep communication between processes to a minimum. 



Das **`multiprocessing`**-Modul von Python ermöglicht **echte Parallelität**, indem separate Prozesse erzeugt werden, von denen jeder über einen eigenen Python-Interpreter und eigenen Speicherbereich verfügt. Im Gegensatz zu Threads, die sich den Speicher teilen und im selben Prozess laufen, sind **Prozesse vollständig voneinander isoliert**. Diese Isolierung umgeht die Einschränkung durch den **Global Interpreter Lock (GIL)** und erlaubt es mehreren CPU-Kernen, parallel an CPU-intensiven Aufgaben zu arbeiten. Nach dem Ansehen des obigen Videos sollte klar sein, dass **prozessbasierte Parallelität** besonders nützlich ist, wenn umfangreiche Berechnungen durchgeführt werden müssen oder mehrere Kerne für Aufgaben genutzt werden sollen, die sonst durch den GIL ausgebremst würden. Das **`multiprocessing`**-Modul bietet eine vertraute API, die der des **`threading`**-Moduls ähnelt, sodass ein Wechsel zwischen Threading und Processing je nach Bedarf einfach möglich ist.

Represents an independent process. Use this class to create and manage separate processes.

A process-safe FIFO queue for sharing data between processes. 

Provides a connection between two processes for two-way communication.

Manages a pool of worker processes for parallel execution of a function across data. 

A synchronization primitive for controlling access to shared resources between processes.

Allows sharing a single value of a specific type between processes.

Allows sharing an array of values between processes. 

Creates a server process that holds Python objects and allows other processes to manipulate them using proxies.

Returns a reference to the currently running process object.

Returns the number of CPU cores available on the system.

Diese Klassen und Funktionen dienen zum Aufbau robuster paralleler Anwendungen, zur Verwaltung der Datenfreigabe und zur Koordination der Prozessa usführung in Python.

import multiprocessing
import time

def print_message(message, delay):
    time.sleep(delay)
    print(message)

process1 = multiprocessing.Process(target=print_message, args=("Process 1 finished", 2))
process2 = multiprocessing.Process(target=print_message, args=("Process 2 finished", 1))

process1.start()
process2.start()

process1.join()
process2.join()


Dieses Codebeispiel zeigt, wie das **`multiprocessing`**-Modul von Python verwendet wird, um Aufgaben parallel durch das Erstellen separater Prozesse auszuführen. Das Beispiel nutzt einfache Zeitverzögerungen und gibt Nachrichten aus, um zu verdeutlichen, wie Prozesse unabhängig und gleichzeitig ausgeführt werden können.

#### Wichtige Konzepte im Überblick

- **Prozesserstellung:**
  - Neue Prozesse werden mit der Klasse `multiprocessing.Process` erstellt;
  - Jedem Prozess wird eine Zielfunktion (`print_message`) und Argumente für diese Funktion übergeben.

- **Prozessstart:**
  - Die Methode `start()` startet jeden Prozess, sodass sie gleichzeitig ausgeführt werden können;
  - Nach dem Start läuft jeder Prozess unabhängig von den anderen seine Zielfunktion ab.

- **Parallele Ausführung:**
  - Beide Prozesse schlafen für unterschiedliche Zeitspannen (`2` und `1` Sekunden) mit `time.sleep()`;
  - Da sie parallel laufen, beendet der Prozess mit der kürzeren Verzögerung seine Aufgabe zuerst, auch wenn er später gestartet wurde.

- **Prozesszusammenführung:**
  - Die Methode `join()` stellt sicher, dass das Hauptprogramm auf das Ende beider Prozesse wartet, bevor es fortfährt;
  - Ohne `join()` könnte das Hauptprogramm beendet werden, bevor die Prozesse abgeschlossen sind.

Dieses Beispiel zeigt, dass mit Multiprocessing Aufgaben gleichzeitig auf mehreren CPU-Kernen ausgeführt werden können, was besonders für CPU-intensive Operationen mit Vorteil ist.

Welche Aussage beschreibt am besten den Unterschied zwischen Threads und Prozessen in Python?

Sie werden praktische Fähigkeiten in Pythons Modulen und Importen für effizientes Code-Management erwerben. Beherrschen Sie fortgeschrittene Fehlerbehandlungstechniken für zuverlässigere Anwendungen, automatisieren Sie Dateioperationen mit Dateiverwaltung und lernen Sie robuste Teststrategien mit Pytest und Unittest, um die Integrität Ihres Codes sicherzustellen.

Master Python's exception system for robust error handling and debugging.

Explore advanced techniques for file operations and resource management using context managers.

Compare and apply Python's multithreading and multiprocessing modules for concurrent programming.

Master asynchronous programming in Python using the asyncio library for scalable I/O-bound applications.

Explore how to write, organize, and run tests using Python's unittest and pytest frameworks.

Arbeiten mit Prozessen

Wichtige Konzepte im Überblick