是用于与工作线程通信的很好的选择，它来自内置的 queue 模块。何性能改进，但实际上，我们还减少由于缓慢的 print()执行的线程串行化的风险。这里是一个修改版本的 main()函数，它只启动有限数量的工作线程，并使用。建一个严格定义大小的工作线程池，它将处理所有的并行工作，并通过一些线程安全的数。所以通常的想法是启动一些预定义数量的线程，它将从队列中消费工作项，直到完成。我们尝试解决的第一个

是用于与工作线程通信的很好的选择，它来自内置的 queue 模块。何性能改进，但实际上，我们还减少由于缓慢的 print()执行的线程串行化的风险。这里是一个修改版本的 main()函数，它只启动有限数量的工作线程，并使用。建一个严格定义大小的工作线程池，它将处理所有的并行工作，并通过一些线程安全的数。所以通常的想法是启动一些预定义数量的线程，它将从队列中消费工作项，直到完成。我们尝试解决的第一个

是用于与工作线程通信的很好的选择，它来自内置的 queue 模块。何性能改进，但实际上，我们还减少由于缓慢的 print()执行的线程串行化的风险。这里是一个修改版本的 main()函数，它只启动有限数量的工作线程，并使用。建一个严格定义大小的工作线程池，它将处理所有的并行工作，并通过一些线程安全的数。所以通常的想法是启动一些预定义数量的线程，它将从队列中消费工作项，直到完成。我们尝试解决的第一个

是用于与工作线程通信的很好的选择，它来自内置的 queue 模块。何性能改进，但实际上，我们还减少由于缓慢的 print()执行的线程串行化的风险。这里是一个修改版本的 main()函数，它只启动有限数量的工作线程，并使用。建一个严格定义大小的工作线程池，它将处理所有的并行工作，并通过一些线程安全的数。所以通常的想法是启动一些预定义数量的线程，它将从队列中消费工作项，直到完成。我们尝试解决的第一个

在处理这些问题时，你可能会遇到的最后一个问题是外部服务提供商施加的速率限制。以使用 Google Maps API 为例，在撰写本书时，免费和未经身份验证的请求的官方费率限制为每秒 10 个请求和每天 2,500 个请求。当使用多线程时，很容易耗尽这样的限制。更严重的问题是，因为我们没有覆盖任何故障的场景，而处理多线程 Python 代码中的异常比平常更复杂。当客户端超过 Google 的速率时，

在处理这些问题时，你可能会遇到的最后一个问题是外部服务提供商施加的速率限制。以使用 Google Maps API 为例，在撰写本书时，免费和未经身份验证的请求的官方费率限制为每秒 10 个请求和每天 2,500 个请求。当使用多线程时，很容易耗尽这样的限制。更严重的问题是，因为我们没有覆盖任何故障的场景，而处理多线程 Python 代码中的异常比平常更复杂。当客户端超过 Google 的速率时，

在处理这些问题时，你可能会遇到的最后一个问题是外部服务提供商施加的速率限制。以使用 Google Maps API 为例，在撰写本书时，免费和未经身份验证的请求的官方费率限制为每秒 10 个请求和每天 2,500 个请求。当使用多线程时，很容易耗尽这样的限制。更严重的问题是，因为我们没有覆盖任何故障的场景，而处理多线程 Python 代码中的异常比平常更复杂。当客户端超过 Google 的速率时，

在处理这些问题时，你可能会遇到的最后一个问题是外部服务提供商施加的速率限制。以使用 Google Maps API 为例，在撰写本书时，免费和未经身份验证的请求的官方费率限制为每秒 10 个请求和每天 2,500 个请求。当使用多线程时，很容易耗尽这样的限制。更严重的问题是，因为我们没有覆盖任何故障的场景，而处理多线程 Python 代码中的异常比平常更复杂。当客户端超过 Google 的速率时，

• 使用 multiprocessing.Queue 类，它是早先用于线程之间通信的 queue.Queue。另一种在进程之间共享状态的方法是在 multiprocessing.sharedctypes 中提供的。• 使用 multiprocessing.sharedctypes 模块，通过它可以在进程之间共享的。不幸的是，os.fork 在 Windows 下不可用，需要生成一个新的解释器以模仿

来自 multiprocessing 模块的高级抽象，例如 Pool 类，与在 threading 模块中。multiprocessing 模块最好的一点是它提供了一个即用型的 Pool 类，可以处理管理。但这并不意味着你需要牺牲 multiprocessing 模块中的所有有用的抽象，只要你想。们再看看我们的之前的例子的 main()。的情况，这是一个很大的改进。与“使用线程池”中的描述的线程方