一行代碼實現Python並行處理

一行代碼實現Python並行處理

Python 在程序並行化方面多少有些聲名狼藉。撇開技術上的問題，例如線程的實現和 GIL，我覺得錯誤的教學指導才是主要問題。常見的經典 Python 多線程、多進程教程多顯得偏&34;。而且往往隔靴搔癢，沒有深入探討日常工作中最有用的內容。

傳統的例子

簡單搜索下&34;，不難發現幾乎所有的教程都給出涉及類和隊列的例子：

import osimport PILfrom multiprocessing import Poolfrom PIL import ImageSIZE = (75,75)SAVE_DIRECTORY = &39;def get_image_paths(folder):    return (os.path.join(folder, f)            for f in os.listdir(folder)            if &39; in f)def create_thumbnail(filename):     im = Image.open(filename)    im.thumbnail(SIZE, Image.ANTIALIAS)    base, fname = os.path.split(filename)    save_path = os.path.join(base, SAVE_DIRECTORY, fname)    im.save(save_path)if __name__ == &39;:    folder = os.path.abspath(        &39;)    os.mkdir(os.path.join(folder, SAVE_DIRECTORY))    images = get_image_paths(folder)    pool = Pool()    pool.map(creat_thumbnail, images)    pool.close()    pool.join()

哈，看起來有些像 Java 不是嗎？

我並不是說使用生產者/消費者模型處理多線程/多進程任務是錯誤的（事實上，這一模型自有其用武之地）。只是，處理日常腳本任務時我們可以使用更有效率的模型。

問題在於…

• 首先，你需要一個樣板類；
• 其次，你需要一個隊列來傳遞對象；
• 而且，你還需要在通道兩端都構建相應的方法來協助其工作（如果需想要進行雙向通信或是保存結果還需要再引入一個隊列）。

worker 越多，問題越多

按照這一思路，你現在需要一個 worker 線程的線程池。下面是一篇 IBM 經典教程中的例子——在進行網頁檢索時通過多線程進行加速。

39;&39;A more realistic thread pool example&39;&39;quit&39;Bye byes!&39;http://www.python.org&39;http://www.yahoo.com&39;http://www.scala.org&39;http://www.google.com& etc..    ]    queue = Queue.Queue()    worker_threads = build_worker_pool(queue, 4)    start_time = time.time()     Add the poison pillv    for worker in worker_threads:        queue.put(&39;)    for worker in worker_threads:        worker.join()    print &39;.format(time.time() - start_time)def build_worker_pool(queue, size):    workers = []    for _ in range(size):        worker = Consumer(queue)        worker.start()        workers.append(worker)    return workersif __name__ == &39;:    Producer()

這段代碼能正確的運行，但仔細看看我們需要做些什麼：構造不同的方法、追蹤一系列的線程，還有為了解決惱人的死鎖問題，我們需要進行一系列的 join 操作。這還只是開始……

至此我們回顧了經典的多線程教程，多少有些空洞不是嗎？樣板化而且易出錯，這樣事倍功半的風格顯然不那麼適合日常使用，好在我們還有更好的方法。

何不試試 map

map 這一小巧精緻的函數是簡捷實現 Python 程序並行化的關鍵。map 源於 Lisp 這類函數式程式語言。它可以通過一個序列實現兩個函數之間的映射。

    urls = [&39;, &39;]    results = map(urllib2.urlopen, urls)

上面的這兩行代碼將 urls 這一序列中的每個元素作為參數傳遞到 urlopen 方法中，並將所有結果保存到 results 這一列表中。其結果大致相當於：

results = []for url in urls:    results.append(urllib2.urlopen(url))

map 函數一手包辦了序列操作、參數傳遞和結果保存等一系列的操作。

為什麼這很重要呢？這是因為藉助正確的庫，map 可以輕鬆實現並行化操作。

在 Python 中有個兩個庫包含了 map 函數：multiprocessing 和它鮮為人知的子庫 multiprocessing.dummy.

這裡多扯兩句：multiprocessing.dummy？mltiprocessing 庫的線程版克隆？這是蝦米？即便在 multiprocessing 庫的官方文檔裡關於這一子庫也只有一句相關描述。而這句描述譯成人話基本就是說:&34;相信我，這個庫被嚴重低估了！

dummy 是 multiprocessing 模塊的完整克隆，唯一的不同在於 multiprocessing 作用於進程，而 dummy 模塊作用於線程（因此也包括了 Python 所有常見的多線程限制）。

所以替換使用這兩個庫異常容易。你可以針對 IO 密集型任務和 CPU 密集型任務來選擇不同的庫。

動手嘗試

使用下面的兩行代碼來引用包含並行化 map 函數的庫：

from multiprocessing import Poolfrom multiprocessing.dummy import Pool as ThreadPool

實例化 Pool 對象：

pool = ThreadPool()

這條簡單的語句替代了 example2.py 中 buildworkerpool 函數 7 行代碼的工作。它生成了一系列的 worker 線程並完成初始化工作、將它們儲存在變量中以方便訪問。

Pool 對象有一些參數，這裡我所需要關注的只是它的第一個參數：processes. 這一參數用於設定線程池中的線程數。其默認值為當前機器 CPU 的核數。

一般來說，執行 CPU 密集型任務時，調用越多的核速度就越快。但是當處理網絡密集型任務時，事情有些難以預計了，通過實驗來確定線程池的大小才是明智的。

pool = ThreadPool(4) 39;http://www.python.org&39;http://www.python.org/about/&39;http://www.onlamp.com/pub/a/python/2003/04/17/metaclasses.html&39;http://www.python.org/doc/&39;http://www.python.org/download/&39;http://www.python.org/getit/&39;http://www.python.org/community/&39;https://wiki.python.org/moin/&39;http://planet.python.org/&39;https://wiki.python.org/moin/LocalUserGroups&39;http://www.python.org/psf/&39;http://docs.python.org/devguide/&39;http://www.python.org/community/awards/& etc..    ] Open the urls in their own threadsclose the pool and wait for the work to finishpool.close()pool.join()

實際起作用的代碼只有 4 行，其中只有一行是關鍵的。map 函數輕而易舉的取代了前文中超過 40 行的例子。為了更有趣一些，我統計了不同方法、不同線程池大小的耗時情況。

 for url in urls:   results.append(result) ------- VERSUS -------   results = pool.map(urllib2.urlopen, urls) ------- 8 Pool -------  pool = ThreadPool(8)  results = pool.map(urllib2.urlopen, urls)

結果：

               4 Pool:   3.1 Seconds              13 Pool:   1.3 Seconds

很棒的結果不是嗎？這一結果也說明了為什麼要通過實驗來確定線程池的大小。在我的機器上當線程池大小大於 9 帶來的收益就十分有限了。

另一個真實的例子

生成上千張圖片的縮略圖

這是一個 CPU 密集型的任務，並且十分適合進行並行化。

基礎單進程版本

import osimport PILfrom multiprocessing import Poolfrom PIL import ImageSIZE = (75,75)SAVE_DIRECTORY = &39;def get_image_paths(folder):    return (os.path.join(folder, f)            for f in os.listdir(folder)            if &39; in f)def create_thumbnail(filename):     im = Image.open(filename)    im.thumbnail(SIZE, Image.ANTIALIAS)    base, fname = os.path.split(filename)    save_path = os.path.join(base, SAVE_DIRECTORY, fname)    im.save(save_path)if __name__ == &39;:    folder = os.path.abspath(        &39;)    os.mkdir(os.path.join(folder, SAVE_DIRECTORY))    images = get_image_paths(folder)    for image in images:        create_thumbnail(Image)

上邊這段代碼的主要工作就是將遍歷傳入的文件夾中的圖片文件，一一生成縮略圖，並將這些縮略圖保存到特定文件夾中。

這我的機器上，用這一程序處理 6000 張圖片需要花費 27.9 秒。

如果我們使用 map 函數來代替 for 循環：

import osimport PILfrom multiprocessing import Poolfrom PIL import ImageSIZE = (75,75)SAVE_DIRECTORY = &39;def get_image_paths(folder):    return (os.path.join(folder, f)            for f in os.listdir(folder)            if &39; in f)def create_thumbnail(filename):     im = Image.open(filename)    im.thumbnail(SIZE, Image.ANTIALIAS)    base, fname = os.path.split(filename)    save_path = os.path.join(base, SAVE_DIRECTORY, fname)    im.save(save_path)if __name__ == &39;:    folder = os.path.abspath(        &39;)    os.mkdir(os.path.join(folder, SAVE_DIRECTORY))    images = get_image_paths(folder)    pool = Pool()    pool.map(creat_thumbnail, images)    pool.close()    pool.join()

5.6 秒！

雖然只改動了幾行代碼，我們卻明顯提高了程序的執行速度。在生產環境中，我們可以為 CPU 密集型任務和 IO 密集型任務分別選擇多進程和多線程庫來進一步提高執行速度——這也是解決死鎖問題的良方。此外，由於 map 函數並不支持手動線程管理，反而使得相關的 debug 工作也變得異常簡單。

到這裡，我們就實現了（基本）通過一行 Python 實現並行化。

原文轉自：http://dwz.date/bZGa