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. 



Pythonin **`multiprocessing`**-moduuli mahdollistaa **aidon rinnakkaisuuden** luomalla erillisiä prosesseja, joilla jokaisella on oma Python-tulkki ja muistialue. Toisin kuin säikeet, jotka jakavat muistin ja toimivat samassa prosessissa, **prosessit ovat täysin eristettyjä** toisistaan. Tämä eristys poistaa **Global Interpreter Lock (GIL)** -rajoituksen, jolloin useat suorittimet voivat työskennellä rinnakkain prosessorisidonnaisissa tehtävissä. Videon katsomisen jälkeen ymmärrät, että **prosesseihin perustuva rinnakkaisuus** on erityisen hyödyllistä, kun tarvitaan raskasta laskentaa tai halutaan hyödyntää useita ytimiä tehtävissä, joita GIL muuten rajoittaisi. **`multiprocessing`**-moduuli tarjoaa tutun rajapinnan, joka muistuttaa **`threading`**-moduulia, joten siirtyminen säikeiden ja prosessien välillä on helppoa tarpeen mukaan.

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.

Näiden luokkien ja funktioiden avulla voidaan rakentaa vankkoja rinnakkaissovelluksia, hallita tiedon jakamista ja koordinoida prosessien suoritusta Pythonissa.

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()


Tämä koodiesimerkki havainnollistaa, kuinka Pythonin **`multiprocessing`**-moduulia käytetään rinnakkaisten tehtävien suorittamiseen luomalla erillisiä prosesseja. Esimerkissä käytetään yksinkertaisia viiveitä ja tulostetaan viestejä, jotta nähdään, miten prosessit voivat toimia itsenäisesti ja samanaikaisesti.

#### Keskeiset havainnot

- **Prosessin luominen:**
  - Uusia prosesseja luodaan `multiprocessing.Process`-luokan avulla;
  - Jokaiselle prosessille annetaan kohdefunktio (`print_message`) ja sille välitettävät argumentit.

- **Prosessin käynnistäminen:**
  - `start()`-metodi käynnistää jokaisen prosessin, jolloin ne voivat toimia samanaikaisesti;
  - Kun prosessi on käynnistetty, se suorittaa kohdefunktionsa itsenäisesti muihin nähden.

- **Rinnakkainen suoritus:**
  - Molemmat prosessit nukkuvat eri aikoja (`2` ja `1` sekuntia) käyttäen `time.sleep()`-funktiota;
  - Koska ne toimivat rinnakkain, lyhyemmän viiveen prosessi valmistuu ensin, vaikka se käynnistettiin myöhemmin.

- **Prosessin yhdistäminen:**
  - `join()`-metodi varmistaa, että pääohjelma odottaa molempien prosessien valmistumista ennen jatkamista;
  - Ilman `join()`-kutsua pääohjelma voisi päättyä ennen prosessien valmistumista.

Tämä esimerkki osoittaa, että multiprocessingin avulla tehtävät voivat toimia samanaikaisesti usealla suorittimella, mikä tekee siitä ihanteellisen prosessorisidonnaisiin tehtäviin, jotka hyötyvät rinnakkaisesta suorituksesta.

Mikä väite kuvaa parhaiten säikeiden ja prosessien eroa Pythonissa?

Saat käytännön taitoja Pythonin moduulien ja tuontien hallintaan tehokasta koodin hallintaa varten. Hallitse kehittyneitä virheenkäsittelytekniikoita luotettavampien sovellusten rakentamiseksi, automatisoi tiedostojen käsittely ja opi vankkoja testausstrategioita Pytestin ja Unittestin avulla varmistaaksesi koodisi eheyden.

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.

Working with Processes

Keskeiset havainnot