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 möjliggör **äkta parallellism** genom att starta separata processer, var och en med sin egen Python-tolk och minnesutrymme. Till skillnad från trådar, som delar minne och körs i samma process, är **processer helt isolerade** från varandra. Denna isolering undviker begränsningen med **Global Interpreter Lock (GIL)**, vilket gör det möjligt för flera CPU-kärnor att arbeta parallellt med CPU-intensiva uppgifter. Efter att ha sett videon ovan bör du förstå att **processbaserad parallellism** är särskilt användbar när du behöver utföra tunga beräkningar eller dra nytta av flera kärnor för uppgifter som annars skulle begränsas av GIL. **`multiprocessing`**-modulen tillhandahåller ett bekant API liknande **`threading`**-modulen, vilket gör det enkelt att växla mellan trådar och processer beroende på 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.

Använd dessa klasser och funktioner för att bygga robusta parallella applikationer, hantera datadelning och koordinera processutförande 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()


Detta kodexempel visar hur man använder Pythons **`multiprocessing`**-modul för att köra uppgifter parallellt genom att skapa separata processer. Exemplet använder enkla tidsfördröjningar och skriver ut meddelanden för att visa hur processer kan köras oberoende och samtidigt.

#### Viktiga koncept som illustreras

- **Processkapande:**
  - Nya processer skapas med klassen `multiprocessing.Process`;
  - Varje process får en målfunktion (`print_message`) och argument som skickas till den funktionen.

- **Starta processer:**
  - Metoden `start()` startar varje process, vilket gör att de kan köras samtidigt;
  - När de har startats kör varje process sin målfunktion oberoende av de andra.

- **Parallell exekvering:**
  - Båda processerna sover olika länge (`2` och `1` sekunder) med hjälp av `time.sleep()`;
  - Eftersom de körs parallellt avslutas processen med kortast fördröjning först, även om den startades efter den andra.

- **Processanslutning:**
  - Metoden `join()` säkerställer att huvudprogrammet väntar på att båda processerna ska avslutas innan det går vidare;
  - Utan `join()` kan huvudprogrammet avslutas innan processerna är klara.

Detta exempel visar att med multiprocessing kan uppgifter köras samtidigt på flera CPU-kärnor, vilket gör det idealiskt för CPU-intensiva operationer som gynnas av parallell exekvering.

Vilket påstående beskriver bäst skillnaden mellan trådar och processer i Python?

Du kommer att förvärva praktiska färdigheter i Pythons moduler och importer för effektiv kodhantering. Behärska avancerade tekniker för felhantering för mer tillförlitliga applikationer, automatisera filoperationer med filhantering och lär dig robusta teststrategier med Pytest och Unittest för att säkerställa kodens integritet.

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.

Arbeta med processer

Viktiga koncept som illustreras