python_para_desenvolvedores

<packing>
182 Interface Gráfica
 <property name="x">167</property>
 <property name="y">61</property>
 </packing>
 </child>
 <child>
 <widget class="GtkButton" id="btn_fechar">
 <property name="width_request">100</property>
 <property name="height_request">29</property>
 <property name="visible">True</property>
 <property name="can_focus">True</property>
 <property name="receives_default">True</property>
 <property name="label" translatable="yes">_Fechar</property>
 <property name="use_underline">True</property>
 <property name="response_id">0</property>
 <signal name="clicked" handler="on_btn_fechar_clicked"/>
 </widget>
 <packing>
 <property name="x">272</property>
 <property name="y">61</property>
 </packing>
 </child>
 <child>
 <widget class="GtkEntry" id="ntr_cmd">
 <property name="width_request">365</property>
 <property name="height_request">29</property>
 <property name="visible">True</property>
 <property name="can_focus">True</property>
 </widget>
 <packing>
 <property name="x">9</property>
 <property name="y">14</property>
 </packing>
 </child>
 <child>
 <widget class="GtkCheckButton" id="chk_shell">
 <property name="width_request">136</property>
 <property name="height_request">29</property>
 <property name="visible">True</property>
 <property name="can_focus">True</property>
 <property name="label" translatable="yes">_Janela de texto</property>
 <property name="use_underline">True</property>
 <property name="response_id">0</property>
 <property name="draw_indicator">True</property>
 </widget>
 <packing>
 <property name="x">11</property>
 <property name="y">59</property>
 </packing>
 </child>
 </widget>
 </child>
 </widget>
Interface Gráfica 183
</glade-interface>
Além do Glade, também existe o Gaspacho56, outro construtor de interfaces que também 
gera arquivos XML no padrão do Glade.
Funcionalidades associadas a interface gráfica podem ser obtidas usando outros módulos, 
como o pySystray57, que implementa a funcionalidade que permite que o aplicativo use a 
bandeja de sistema no Windows.
56 Disponível em: http://gazpacho.sicem.biz/.
57 Endereço na internet: http://datavibe.net/~essiene/pysystray/.
184 Threads
Threads
Uma thread é uma linha de execução que compartilha sua área de memória com outras 
linhas, ao contrário do processo tradicional, que possui apenas uma linha com área de 
memória própria.
O uso de threads oferece algumas vantagens em relação aos processos convencionais:
▪ Consomem menos recursos de máquina.
▪ Podem ser criadas e destruídas mais rapidamente.
▪ Podem ser chaveadas mais rapidamente.
▪ Podem se comunicar com outras threads de forma mais fácil.
É comum utilizar threads para:
▪ Processamento paralelo, em casos como atender várias conexões em processos 
servidores.
▪ Executar operações de I/O assíncronas, por exemplo: enquanto o usuário continua 
interagindo com a interface enquanto a aplicação envia um documento para a 
impressora.
▪ Operações de I/O em paralelo.
Processo
Thread 1
Thread 2
Thread 3
Thread 1
Tempo
Thread 4
Threads 185
Em Python, o módulo da biblioteca padrão threading provê classes de alto nível de 
abstração e usa o módulo thread, que implementa as rotinas de baixo nível e que 
geralmente não é usado diretamente.
Exemplo com o módulo threading:
# -*- coding: latin1 -*-
"""
Exemplo de uso de threads
"""
import os
import time
import threading
class Monitor(threading.Thread):
 """
 Classe de monitoramento usando threads
 """
 def __init__(self, ip):
 """
 Construtor da thread
 """
 # Atributos para a thread
 self.ip = ip
 self.status = None
 # Inicializador da classe Thread
 threading.Thread.__init__(self)
 def run(self):
 """
 Código que será executado pela thread
 """
 # Execute o ping
 ping = os.popen('ping -n 1 %s' % self.ip).read()
 if 'Esgotado' in ping:
 self.status = False
 else:
 self.status = True
if __name__ == '__main__':
 # Crie uma lista com um objeto de thread para cada IP
 monitores = []
 for i in range(1, 11):
 ip = '10.10.10.%d' % i
186 Threads
 monitores.append(Monitor(ip))
 # Execute as Threads
 for monitor in monitores:
 monitor.start()
 # A thread principal continua enquanto
 # as outras threads executam o ping
 # para os endereços da lista
 # Verifique a cada segundo
 # se as threads acabaram
 ping = True
 while ping:
 ping = False
 for monitor in monitores:
 if monitor.status == None:
 ping = True
 break
 
 time.sleep(1)
 # Imprima os resultados no final
 for monitor in monitores:
 if monitor.status:
 print '%s no ar' % monitor.ip
 else:
 print '%s fora do ar' % monitor.ip
Saída:
10.10.10.1 no ar
10.10.10.2 no ar
10.10.10.3 no ar
10.10.10.4 fora do ar
10.10.10.5 no ar
10.10.10.6 fora do ar
10.10.10.7 no ar
10.10.10.8 no ar
10.10.10.9 no ar
10.10.10.10 no ar
É importante observar que, quando o processo morre, todas as suas threads terminam.
Processamento distribuído 187
Processamento distribuído
Geralmente a solução para problemas que requerem muita potência computacional é a 
utilização de máquinas mais poderosas, porém esta solução é limitada em termos de 
escalabilidade. Uma alternativa é dividir os processos da aplicação entre várias máquinas 
que se comunicam através de uma rede, formando um cluster ou um grid.
A diferença básica entre cluster e grid é que o primeiro tem como premissa de projeto ser 
um ambiente controlado, homogêneo e previsível, enquanto o segundo é geralmente 
heterogêneo, não controlado e imprevisível. Um cluster é um ambiente planejado 
especificamente para processamento distribuído, com máquinas dedicadas em um lugar 
adequado. Um grid se caracteriza pelo uso de estações de trabalho que podem estar em 
qualquer lugar.
Os modelos mais comuns de cluster:
▪ computacional.
▪ de recursos.
▪ de aplicação ou híbrido.
O modelo computacional tem como objetivo usar processadores e memória dos 
Híbrido
A B
C D
Computacional
A B
C D
O servidor faz o 
escalonamento das 
tarefas para as estações.
Qualquer máquina pode 
atuar como cliente e 
servidor.
188 Processamento distribuído
equipamentos envolvidos para obter mais potência computacional. A implementação 
geralmente utiliza um sistema escalonador de filas (metascheduler), que realiza o 
agendamento das tarefas a serem processados pelos nós (máquinas que compõem o 
modelo), com isso a operação tende a ser contínua, com interação reduzida com os 
usuários. Um exemplo conhecido é o SETI@home58.
O cluster de recursos é usado para armazenar informações em um grupo de computadores, 
tanto para obter mais performance de recuperação de dados quanto para expandir a 
capacidade de armazenamento. Este modelo pode ser usado para prover infra-estrutura 
para aplicações ou para atender requisições feitas de forma interativa por usuários. Entre 
os serviços que podem operar desta