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. 



Pythons **`multiprocessing`**-modul gjør det mulig å oppnå **ekte parallellisme** ved å starte separate prosesser, hver med sin egen Python-tolk og minneområde. I motsetning til tråder, som deler minne og kjører i samme prosess, er **prosesser fullstendig isolert** fra hverandre. Denne isolasjonen unngår begrensningen med **Global Interpreter Lock (GIL)**, slik at flere CPU-kjerner kan arbeide parallelt med CPU-krevende oppgaver. Etter å ha sett videoen ovenfor, bør du forstå at **prosessbasert parallellisme** er spesielt nyttig når du må utføre tunge beregninger eller utnytte flere kjerner for oppgaver som ellers ville blitt flaskehalser på grunn av GIL. **`multiprocessing`**-modulen tilbyr et kjent API som ligner på **`threading`**-modulen, noe som gjør det enkelt å bytte mellom tråder og prosesser avhengig av behov.

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.

Bruk disse klassene og funksjonene for å bygge robuste parallelle applikasjoner, håndtere datadeling og koordinere prosessutførelse i 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()


Denne kodeeksempelet viser hvordan man bruker Pythons **`multiprocessing`**-modul for å kjøre oppgaver parallelt ved å opprette separate prosesser. Eksempelet bruker enkle tidsforsinkelser og skriver ut meldinger for å vise hvordan prosesser kan kjøre uavhengig og samtidig.

#### Viktige konsepter illustrert

- **Prosessopprettelse:**
  - Nye prosesser opprettes med `multiprocessing.Process`-klassen;
  - Hver prosess får en målfunksjon (`print_message`) og argumenter som sendes til denne funksjonen.

- **Start av prosess:**
  - Metoden `start()` starter hver prosess, slik at de kan kjøre samtidig;
  - Når de er startet, kjører hver prosess sin målfunksjon uavhengig av de andre.

- **Parallell utførelse:**
  - Begge prosessene sover i ulike tidsintervaller (`2` og `1` sekunder) ved bruk av `time.sleep()`;
  - Siden de kjører parallelt, vil prosessen med kortest forsinkelse fullføre først, selv om den ble startet etter den andre.

- **Prosess-sammenkobling:**
  - Metoden `join()` sørger for at hovedprogrammet venter på at begge prosessene skal fullføre før det går videre;
  - Uten `join()` kan hovedprogrammet avsluttes før prosessene er ferdige.

Dette eksempelet viser at med multiprocessing kan oppgaver kjøres samtidig på flere CPU-kjerner, noe som gjør det ideelt for CPU-krevende operasjoner som drar nytte av parallell utførelse.

Hvilket utsagn beskriver best forskjellen mellom tråder og prosesser i Python?

Du vil tilegne deg praktiske ferdigheter i bruk av Python-moduler og import for effektiv kodehåndtering. Behersk avanserte teknikker for feilhåndtering for mer pålitelige applikasjoner, automatiser filoperasjoner med filhåndtering, og lær robuste teststrategier med Pytest og Unittest for å sikre kodeintegritet.

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.

Arbeide med prosesser

Viktige konsepter illustrert